استفاده از شبکه عصبی برای پیش بینی

[abbasir52]

سلام
من دارم روی موضوع پیش بینی یک سری زمانی به کمک شبکه عصبی کار می کنم بدین صورت که یک سری زمانی دارم و می خوام با کمک شبکه عصبی در زمان های بعدی نوع تغییرات اون رو پیش بینی کنم
آیا چنین کاری از شبکه عصبی بر می آید؟

[mojalan]

پاسخ : استفاده از شبکه عصبی برای پیش بینی

یکی از اصلیترین کارهای شبکه عصبی پیش بینی ولی عموما نیاز به دیتابیس بزرگی داره
مثال: میخوایم قیمت طلا رو در انتهای آذر ماه امسال پیش بینی کنیم
نیاز به تغییرات قیمت در مثلا 50 سال گذشته داریم

[e-arash]

پاسخ : استفاده از شبکه عصبی برای پیش بینی

شبکه عصبی براحتی از پس این کار برمیاد، اما شرط داشتن پیش بینی صحیح و نزدیک به واقعیت، همانطور که دوستان قبلا اشاره کردند، اطلاعات قبلی صحیح و دقیق می باشد.
معمولا در این شبکه ها از دو برنامه استفاده می شود: train , test
در برنامه train با در اختیار داشتن داده های گذشته که باید دقیق باشند، به عبارتی به آموزش شبکه (مثلا در شبکه mlp، پیدا کردن بهترین ضرایب یا وزن ها) می پردازیم و بعد از آموزش وارد مرحله تست (در اینجا همان پیش بینی) می شویم.
هرچه آموزش بهتر، پیش بینی دقیق تر.

[maysam.azizi]

پاسخ : استفاده از شبکه عصبی برای پیش بینی

همون طور که بقیه دوستان هم گفتند یکی از کاربردهای مهم سیستمهای هوشمند Forecasting هستش و معمولا برای چک کردن الگوریتمهای مختلف هم یکسری توابع استاندارد در نظر میگیرند و الگوریتمها و روشهای مختلف رو با هم مقایسه میکنند.
در زمینه پیش بینی هم به نظر من بستگی به کاربرد مورد نظرتون داره ولی معمولا در زمانی که فضای حالت خیلی بزرگه و تنوع زیاد داریم یک مرحله فازی سازی هم لازمه
و روشهای نروفازی خیلی قویتر جواب میده.
من یک پروژه از طریق شرکتمون در زمینه پیش بینی کوتاه مدت مصرف برق انجام دادم که ساختارش نروفازیه از لینک زیر میتونید محیط نرم افزار رو ببینید.
http://www.tga-co.ir/product/short-t...sting-software
چون داده های این پروژه مربوط به دنیای واقعی هستش پیش پردازش و غربالگری و... داده ها شاید به اندازه خود ساختار شبکه اهمیت داشته باشه
اگر موضوع کار شما هم کاربردی چنین ملاحضات مشابهی رو حتما باید در نظر بگیرید.
اگر هم میخواهید یک تابع ریاضی رو استفاده کنید. و تقریب بزنید، یک نکته بسیار مهم وجود داده :
شبکه های عصبی اصولا برون یابهای خوبی نیستند و بیشتر قدرت اونها در درون یابیه و حتما به این نکته توجه کنید
برای بیان این موضوع یک مثال خیلی ساده میزنم.
مثلا برای یک تابع دوبعدی فرض کنید میخواهیم y=x^2 رو تقریب بزنیم.داده ورودی شبکه X و خروجی شبکه y میشه حالا شما برای اموزش شبکه تعدادی داده رو در فاصله 0 تا 10 میسازید. و شبکه رو آموزش میدید. در مرحله بعد میخواهیم شبکه رو تست کنیم و خطای واقعی رو بدست بیاریم
حال در مرحله تست اگر داده ورودی شبکه بین 0 تا 10 باشه شبکه عملکرد مناسبی خواهد داشت ولی در بازه های خارج از 0 تا 10 تقریب مناسبی توسط شبکه عصبی صورت نمیگیرد.