用於面板數據的經常性神經網絡

Question

該問題有2個部分。假設我們正在查看銷售額超過1000美元以上的商品的銷售額。對於這1000家商店中的每一家，我們都有24個月的記錄數據。

1. 我們希望能夠預測S_t < -f（S_ {t-1}）。我們可以爲每個存儲時間序列建立一個RNN，計算測試RMSE，然後在考慮標準化值之後取平均值等。但問題是每個時間序列的樣本數很少。如果我們要將商店分成組（比如說動態時間翹曲），那麼我們可以創建一個文本情感挖掘的獨白，在文本中兩個句子之間用點分隔，這裏我們將有兩個時間系列用特殊符號分隔（讓我們說）。在這種情況下，我們將生成一個RNN模型

Train_1 | Train_2t | | Train_t

數據和預測

Test_1 | Test_t

1. 之後，我們希望將其設置爲面板數據問題，其中S_t <-f（x_ {t1}，x_ {t2} ，...，X_ {} TN）。在這種情況下，我應該爲每個t建立一個單獨的神經網絡，然後連接t - > t + 1 - > t + 2的隱藏層....

我應該如何通過Keras/Theano/Mxnet等？任何幫助將是偉大的！

Answer 1

對於第一個問題，在MXNet Gluon中實現它非常簡單。您可以將問題表達爲一個自動迴歸問題，以便它在序列長度期間不依賴於序列長度，或者可以將其表示爲單個預測，並需要S的特定序列長度以預測S_t。無論哪種方式，this gluon tutorial都可以幫助您入門。