面板数据的递归神经网络
Recurrent Neural Networks for Panel Data
这个问题有两个部分。假设我们正在查看一种产品在 $> 1000$ 家商店的销售额 S。对于这 1000 家商店中的每一家，我们都有 24 个月的记录数据。
- 我们希望能够预测 S_t <- f(S_{t-1})。我们可以为每个商店时间序列构建一个 RNN，计算测试 RMSE，然后在处理归一化值等后取平均值。但问题是每个时间序列的样本很少。如果我们要将商店分成几组（通过动态时间扭曲），那么我们是否可以创建文本情感挖掘的独白，就像在文本中，两个句子用一个点分隔，这里我们将有两个时间序列，用一个特殊符号分隔（让我们说）。在那种情况下，我们将在
上生成一个 RNN 模型
Train_1 | Train_2 |...|Train_t
数据和预测
Test_1 | Test_2 |...|Test_t
- 在此之后，我们想将其设置为面板数据问题，其中 S_t <- f(x_{t1},x_{t2},...,x_{tn})。在那种情况下，我应该为每个 t 建立一个单独的神经网络，然后连接隐藏层从 t -> t+1 -> t+2 ....
我应该如何通过 Keras/Theano/Mxnet 等包来实现这些？任何帮助都会很棒！
对于您的第一个问题，在 MXNet Gluon 中实现它非常简单。您可以将您的问题表述为自动回归问题，以便它在期间对序列长度没有任何依赖性，或者您可以将其表述为单一预测并需要 S 的特定序列长度才能预测 S_t。无论哪种方式，this gluon tutorial 都可以帮助您入门。
这个问题有两个部分。假设我们正在查看一种产品在 $> 1000$ 家商店的销售额 S。对于这 1000 家商店中的每一家，我们都有 24 个月的记录数据。
- 我们希望能够预测 S_t <- f(S_{t-1})。我们可以为每个商店时间序列构建一个 RNN，计算测试 RMSE，然后在处理归一化值等后取平均值。但问题是每个时间序列的样本很少。如果我们要将商店分成几组（通过动态时间扭曲），那么我们是否可以创建文本情感挖掘的独白，就像在文本中，两个句子用一个点分隔，这里我们将有两个时间序列，用一个特殊符号分隔（让我们说）。在那种情况下，我们将在 上生成一个 RNN 模型
Train_1 | Train_2 |...|Train_t
数据和预测
Test_1 | Test_2 |...|Test_t
- 在此之后，我们想将其设置为面板数据问题，其中 S_t <- f(x_{t1},x_{t2},...,x_{tn})。在那种情况下，我应该为每个 t 建立一个单独的神经网络，然后连接隐藏层从 t -> t+1 -> t+2 ....
我应该如何通过 Keras/Theano/Mxnet 等包来实现这些？任何帮助都会很棒！
对于您的第一个问题，在 MXNet Gluon 中实现它非常简单。您可以将您的问题表述为自动回归问题，以便它在期间对序列长度没有任何依赖性，或者您可以将其表述为单一预测并需要 S 的特定序列长度才能预测 S_t。无论哪种方式，this gluon tutorial 都可以帮助您入门。