多维预测

Question

我有一个在不同地方测量的时间序列值的列表。这些测量值可能相关，也可能不相关（主要取决于它们的相对位置，但一些非常近的探测器可能实际测量的是不相关的序列）。我想预测整个集合的值，考虑到它们的序列以及它们随时间的相互关系。如果有任何帮助，这些值也应该有相对的周期性

编辑：我可以使用几个太阳能电池板产生的电力。这些太阳能电池板是空间分布的，我想把它们用作“辐照度探测器”。知道了过去几个地方的太阳光照，我想找出信号之间的相关性，然后可以用来预测光照。 不管一天中通常的生产模式（如图所示），我感兴趣的是从一个面板的过去中提取信息来预测另一个面板的未来。

我想我需要一个神经网络来解决这个问题，但我不确定如何给它提供信息：我想使用一个时间窗口，给我的NN输入一些过去的a、B和C值，但恐怕它有点弱。

图中显示了我的数据的一个示例。

在知道A、B和C的过去值的情况下，如何预测曲线A的下一个值？

如何处理这种预测？

Answer 1

我认为最简单的方法是用相同的输入训练3个模型，但每个模型预测一个值（A、B或C）。在

如果您确定输入变量之间的相关性及其对预测输出的影响，您可以创建一个具有公共分支（可能是叠加的3个输入上的RNN）的神经网络，然后创建3个不同的预测头，每个预测头将产生一个预测a、B或C。快速rcnn体系结构就是一个很好的例子。在

Answer 2

实现此任务的最佳方法是使用RNN。在

学习如何开发这样一个神经网络的好教程在这里： https://www.tensorflow.org/tutorials/recurrent

我还发现了这样一个链接，他们在那里为一个相当接近的问题训练了一个RNN： http://blog.datatonic.com/2016/11/traffic-in-london-episode-ii-predicting.html

更好的灵感： http://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/