Нейронная сеть (MLP) для прогнозирования временных рядов на практике

• Временные ряды и прогнозирование являются актуальными проблемами в обработке данных. • Методы машинного обучения, такие как рекуррентные нейронные сети, используются для прогнозирования временных рядов. • Рекуррентные нейронные сети применяются для решения задач прогнозирования. • Методы разработки функций временных рядов и MLP-модели могут обеспечить удовлетворительные результаты. • Цель статьи - предложить практический опыт в разработке функций временных рядов и прогнозировании. • В статье рассматривается разработка MLP-модели для прогнозирования временных рядов с использованием смешанного типа данных (числа с плавающей точкой и целые числа). • Важность функции перестановки используется для интерпретации модели и определения относительной важности признаков. • Результаты показывают, что почасовые и дневные задержки и различия являются важными, а ежедневные и почасовые скользящие стандарты и категориальные характеристики - менее значительными. • Важность функции перестановки может быть неточным из-за мультиколлинеарности, поэтому иерархическая кластеризация может использоваться для корректировки результатов. • Многоступенчатая модель прогнозирования используется для оценки соответствия многоступенчатой модели модели пространства состояний. • Пересказана только часть статьи. Для продолжения перейдите к чтению оригинала.