python - 神经网络回归 - 考虑动态

Question

我正在使用 Tensorflow 解决具有已知动态分量的回归问题，也就是说，我们知道时间t的（奇异）标签取决于环境的某些动态状态，但这个特征是未知的。可以理解的是，最初通过简单回归解决问题的尝试失败了，这证实了我们的假设，即我们无法访问的特征存在某种动态影响。

但是，时间t的环境状态应该反映在时间t0-n已知的特征和标签（尤其是它们的相互作用）中的某处，其中n > 0。不幸的是，由于问题的性质，时间 t 的输出在很大程度上取决于时间t的输入，这与它取决于环境的动态状态一样多。我担心这会导致我想尝试的方法无效 - 在我的理解中，时间序列预测会考虑以前时间步的特征，但当前时间步没有输入。此外，我知道以前时间步长的标签，但不知道我想要做出预测的时间。

这是一个表格来说明这个问题：

吨	输入	输出
0	x(t=0)	y(t=0)
...	...	...
t0-1	x(t=t0-1)	y(t=t0-1)
t0	x(t=t0)	y(t=t0)=?

• 如何使用我掌握的所有信息来预测y ( t=t0 ) 的值，使用x ( t=t0 ) （其中x是输入特征的数组）和定义的特征和标签窗口在以前的时间步?
• 有没有一种既定的方法来解决这样的问题，或者使用神经网络，或者甚至使用不同的模型？
• 这个问题是否需要多种方法的组合，如果需要，哪些方法可能适合解决它？

最终模型将被部署并继续为未来的时间窗口工作。我们知道相关时间窗口的大小大约是过去 100 个时间步长。

标签： pythontensorflowmachine-learningneural-networktime-series

Answer 1

正如我后来了解到的那样，我所描述的问题与所谓的外生变量有关。就我而言，我需要一种叫做 NNARX 的东西，它的核心类似于 ARMAX 模型，但（作为神经网络）可以考虑非线性。

总体思路是引入一个 LSTM 层，该层充当历史输入的编码器，然后将其耦合到具有外生变量的另一个输入层。两者都耦合在所谓的解码器——神经网络架构的其余部分。