タグ付けされた質問 「time-series」

LSTMを使用して、時系列の1ステップ先の予測を行いたい。アルゴリズムを理解するために、私はおもちゃの例を作成しました：単純な自己相関プロセス。 def my_process(n, p, drift=0, displacement=0): x = np.zeros(n) for i in range(1, n): x[i] = drift * i + p * x[i-1] + (1-p) * np.random.randn() return x + displacement 次に、この例に従ってKerasでLSTMモデルを作成しました。p=0.99長さの自己相関が高いプロセスをシミュレートn=10000し、その最初の80％でニューラルネットワークをトレーニングし、残りの20％に対して1ステップ先の予測を実行させました。 私が設定した場合drift=0, displacement=0、すべてが正常に動作します： それから私は設定しdrift=0, displacement=10、物事は洋ナシ形になりました（y軸の異なるスケールに注意してください）： [ - 1 、1 ][−1、1][-1, 1] 次に、を設定しdrift=0.00001, displacement=10、データを再度正規化して、その上でアルゴリズムを実行しました。これはよく見えません： バツt− Xt − 1バツt−バツt−1X_{t} - X_{t-1}バツtバツtX_t …

8 python  keras  time-series  lstm 

センサーの線形に増加する時系列データセットがあり、値の範囲は50から150です。単純な線形回帰アルゴリズムを実装して、そのようなデータに回帰直線を当てはめ、系列が到達する日付を予測しています120。 シリーズが上に移動すると、すべて正常に動作します。ただし、センサーが約110または115に達してリセットされる場合があります。このような場合、値は、たとえば50または60からやり直します。 これは、回帰線が下向きに動き始め、古い日付の予測を開始するため、回帰直線の問題に直面し始めるところです。以前にリセットされたデータのサブセットのみを検討する必要があると思います。ただし、このケースを考慮したアルゴリズムが利用できるかどうかを理解しようとしています。 私はデータサイエンスに不慣れです。先に進むためのヒントをいただければ幸いです。 編集：nfmcclureの提案を適用 提案を適用する前に 以下は、リセットが発生するデータセットを分割した後のスナップショットと、2つのセットの傾きです。 2つの勾配の平均を見つけ、その平均から線を引きます。 これでいい？

8 machine-learning  statistics  time-series 

私が持っているXマトリックス、y変数、および他の変数をORTHO_VAR。私はをy使用して変数を予測する必要がありますXが、そのモデルからの予測は、可能な限りORTHO_VAR相関する一方で、直交する必要がありますy。 私は予測がノンパラメトリックな方法で生成されることを望みxgboost.XGBRegressorますが、どうしても必要な場合は線形法を使用できます。 このコード： import numpy as np import pandas as pd from sklearn.datasets import make_regression from xgboost import XGBRegressor ORTHO_VAR = 'ortho_var' TARGET = 'target' PRED = 'yhat' # Create regression dataset with two correlated targets X, y = make_regression(n_features=20, random_state=245, n_targets=2) indep_vars = ['var{}'.format(i) for i in range(X.shape[1])] # …

8 correlation  machine-learning  dataset  logistic-regression  prediction  linear-regression  prediction  dummy-variables  neural-network  image-classification  python  k-nn  python  neural-network  neural-network  deep-learning  keras  tensorflow  image-classification  tensorflow  reinforcement-learning  policy-gradients  machine-learning  decision-trees  neural-network  overfitting  data-analysis  metric  python  scikit-learn  distance  scipy  machine-learning  python  scikit-learn  decision-trees  logistic-regression  keras  image-classification  implementation  machine-learning  python  scikit-learn  random-forest  decision-trees  machine-learning  feature-selection  feature-engineering  word2vec  word-embeddings  natural-language-process  scikit-learn  time-series  clustering  k-means  python  cross-validation  pyspark  statistics  cross-validation  multiclass-classification  evaluation  machine-learning  nlp  machine-translation  neural-network  deep-learning  keras  tensorflow  image-classification  machine-learning  python  similarity  distance  lstm  text  named-entity-recognition  machine-learning  keras  optimization  gan  learning-rate  neural-network  data-mining  dataset  databases  books  neural-network  rnn 

生の加速度計データx、y、zを対応するラベルに分類しようとしています。 最良の結果を得るための最良のアーキテクチャは何ですか？ または、入力ノードと出力ノードを備えたケラ上に構築されたLSTMアーキテクチャについて何か提案はありますか？

8 classification  keras  time-series  lstm  multiclass-classification 

2つ（原則としてそれ以上）の1xN時系列があり、両方の次の値を予測するようにNNをトレーニングしたいと思います。それらを2xNマトリックスとして配置し、このマトリックスからのウィンドウをNNへの入力としてフィードできますが、NN自体をどのように構成するかわかりません。 私は単一シリーズでかなりまともな仕事をすることができる畳み込みでNNを作成しましたが、シリーズ間相関を活用したいと思います。NNに時系列間の相関関係を通知させるには、どのトポロジが機能しますか？

7 machine-learning  neural-network  time-series  correlation 

私はディープラーニングとLSTM（ケラを使用）を初めて使用します。私は、マルチステップ先の時系列予測を解決しようとしています。A、B、Cの3つの時系列があり、Cの値を予測したいと思います。LSTMをトレーニングして、データポイントを3ステップ戻し、将来の3ステップを予測しています。入力データは次のようになります。 X = [[[A0, B0, C0],[A1, B1, C1],[A2, B2, C2]],[[ ...]]] 寸法：(1000, 3, 3)。出力は次のとおりです。 y = [[C3, C4, C5],[C4, C5, C6],...] 寸法：(1000, 3)。 1つの非表示レイヤー（50ニューロン）を持つ単純なLSTMを使用しています。私はケラスを使ってLSTMを次のように設定しました： n_features = 3 neurons = 50 ahead = 3 model = Sequential() model.add(LSTM(input_dim=n_features, output_dim=neurons)) model.add(Dropout(.2)) model.add(Dense(input_dim=neurons, output_dim=ahead)) model.add(Activation('linear')) model.compile(loss='mae', optimizer='adam') model.fit(X, y, epochs=50) このモデルは正常に動作します。ここで、（同じ入力を使用して）Bの値も予測したいと思います。したがって、複数の機能を持つトレーニングの場合と同じように、出力を再形成しようとしました。 y = …

7 python  time-series  keras  lstm 

でhttp://www.speech.zone/exercises/dtw-in-python/それは言います もはや実際には使用されていませんが、ダイナミックタイムワーピング（DTW）は、ダイナミックプログラミングの主要な概念の優れた入門書です。 信号処理にDTWを使用していますが、少し驚いています。代わりに何が使用されていますか？

7 time-series 

時間の経過に伴う顧客への製品の販売を表す時系列データセット（毎日の頻度）があります。売上は次のように表されます。 [ 0 、0 、0 、0 、24 、0 、0 、0 、0 、0 、0 、0 、4 、0 、0 、0 、0 、17 、0 、0 、0 、0 、9 、0 、。。。][0、0、0、0、24、0、0、0、0、0、0、0、4、0、0、0、0、17、0、0、0、0、9、0、。。。][0, 0, 0, 0, 24, 0, 0, 0, 0, 0, 0, 0, 4, 0, 0, 0, 0, 17, 0, 0, 0, 0, 9, 0, …

7 time-series  forecast 

時系列の予測不能性を追跡する統計を見つけることに興味があります。簡単にするために、時系列の各値が1または0であると想定します。たとえば、次の2つの時系列は完全に予測可能ですTS1：1 1 1 1 1 1 1 1 TS2：0 1 0 1 0 1 0 1 0 1 0 1 ただし、次の時系列はそれほど予測可能ではありません。TS3：1 1 0 1 0 0 1 0 0 0 0 0 1 1 0 1 1 1 時系列を指定すると、0から1までの数値を返し、0が系列が完全に予測可能であることを示し、1が系列が完全に予測不可能であることを示す統計を探しています。 コルモゴロフ複雑度やシャノンエントロピーなど、いくつかのエントロピー測定値を見ましたが、どちらも私の要件に適合していないようです。コルモゴロフの複雑度では、統計値は時系列の長さに応じて変化します（「1 0 1 0 1」と「1 0 1 0」の場合は複雑度が異なるため、異なる2つの時系列の予測可能性を比較することはできません。観測数）。シャノンエントロピーでは、観測の順序は問題にならなかったようです。 私の要件に適した統計とはどのようなものですか？

7 time-series 

ニューラルネットワークの使用について質問があります。私は現在R（neuralnetパッケージ）を使用しており、次の問題に直面しています。私のテストと検証セットは、履歴データに関して常に遅れています。結果を修正する方法はありますか？多分私の分析で何かが間違っている 毎日ログを返す シグモイド関数でデータを正規化します（セット全体で計算されたシグマとミュー） ニューラルネットワークを10の日付でトレーニングし、出力はこれらの10の日付に続く正規化された値です。 トレンドを追加しようとしましたが、改善はありません。1〜2日遅れて観察しました。私のプロセスは問題ないようですが、それについてどう思いますか？

7 r  neural-network  time-series  forecast