如何解决使用神经网络根据先前事件预测时间序列
我想看看是否可以使用神经网络解决以下问题：我有一个包含 1000 多个篮球赛事的数据库，其中从第 5 分钟到第 20 分钟，每秒记录总比分，以及篮球比赛的位置都来自同一个联赛。这意味着事件发生在不同的时间段。之后对数据进行插值以获得两个时间步长之间的确切时间差，从而在第 5 分钟和第 20 分钟之间准确获得 300 个点。这可以在这里看到： Time series。最终目标是拥有一个模型，可以预测 t=15 到 t=20 之间的 y 值，并将 t=5 和 t=15 之间的 y 值用作输入数据。我想使用包含 1000 个事件的数据库来训练模型。为此，我尝试使用以下网络：
用于训练神经网络模型的输入数据的形状为 (1000,200)，输出数据的形状为 (1000,100)。 有人可以为此指导我朝着正确的方向发展，如果这是解决此类问题的正确方法，也许可以提供一些反馈，我发现了一些以前的时间序列问题，但所有这些问题都基于一个大的时间序列，而在这种情况我有 1000 个不同的时间序列。
解决方法
有几种不同的方法可以解决这个问题。根据评论，这听起来像是单变量/多步时间序列预测，尽管涉及许多不同的事件。
首先澄清时间序列模型/框架的大多数深度学习采用以下格式 (batch_size,n_historical_steps,n_feature_time_series) 的数据，并以 (batch_size,n_forecasted_steps,n_targets) 格式输出结果。
由于这是一个单变量预测问题，n_feature_time_series 将是一个（除非我遗漏了一些东西）。现在 n_historical_steps 是我们经常优化的超参数，因为整个时间历史通常与预测下一次 n 步无关。您可能还想尝试对此进行优化。然而，假设您选择使用完整的时间历史，那么这看起来像 (batch_size,200,1)。按照这种方法，您可能会得到 (batch_size,100,1) 的输出形状。然后，您可以使用 1000 的 batch_size 一次输入所有不同的事件（当然，假设您有不同的验证/测试集）。这将为您提供 (1000,1) 的输入形状例如，如果您要使用 DA-RNN、LSTM、vanilla Transformer 等模型，请执行此操作。
还有一些其他模型可以创建可学习的系列 embedding_id，例如 Convolutional Transformer Paper 或 Deep AR。这本质上是一个与每个事件相关联的唯一序列标识符，模型将学习在每个事件的相同传递中进行预测。
我实现了这两种类型的模型，您可以在 Flow Forecast 中使用它们。虽然我目前没有关于此类问题的任何详细教程。我还要说的是，老实说，鉴于您只有 1000 个 BB 事件（每个事件只有 300 个单变量时间步长）并且在篮球比赛中有许多变量，我怀疑您是否能够以任何真正程度的准确性。我猜您可能需要至少 20k+ 篮球赛事数据才能至少通过深度学习很好地预测此类问题。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
