Некоторые способы обработки временных рядов данных с помощью рекуррентных нейронных сетей (RNN):

• Заполнение пропущенных значений перед обучением RNN. 1
• Удаление сезонности перед обучением RNN для временных рядов с явной сезонностью. 1 Если сезонность скрытая, лучше подавать временной ряд в нейронную сеть без удаления сезонности. 1
• Масштабрование временных рядов перед обучением. 1 RNN-модели чувствительны к ненормализованным данным. 1
• Использование метода взятия первой разности для финансовых временных рядов, которым свойственен возрастающий тренд. 1 Процедура позволяет модели RNN уделять большее внимание волатильности, а не тренду целевого временного ряда. 1
• Обучение глобальной модели. 1 Для этого каждый из временных рядов обрабатывается методом скользящего окна и объединяется с остальными в единую базу для обучения единой RNN-модели. 1

Рекуррентная нейронная сеть глубокого обучения (Long Short Term Memory (LSTM)) имеет способность улавливать закономерности в данных временных рядов и использоваться для прогнозирования будущего тренда данных. 3