Какие существуют способы обработки временных рядов данных с помощью рекуррентных нейронных сетей?

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

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

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. moluch.ru