如何将神经网络应用于时间序列预测？

我是机器学习的新手，我一直在尝试找出如何将神经网络应用于时间序列预测。我发现了与查询有关的资源，但似乎仍然有些迷茫。我认为没有太多细节的基本解释会有所帮助。

假设我在几年中每个月都有一些价格值，并且我想预测新的价格值。我可以获取过去几个月的价格列表，然后尝试使用K-Nearest-Neighbor查找过去的类似趋势。我可以让他们使用变化率或过去趋势的其他属性来尝试预测新价格。我正在尝试找出如何将神经网络应用于相同的问题。

这是一个简单的食谱，可以帮助您开始编写代码和测试想法。

假设您有几年记录的每月数据，那么您有36个值。我们还假设您只关心预先预测一个月（值）。

1. 探索性数据分析：应用一些传统的时间序列分析方法来估计数据中的滞后依赖性（例如，自相关和部分自相关图，变换，差分）。假设您发现给定月份的值与过去三个月的数据相关，但与之相差无几。
2. 将您的数据分为训练和验证集：将前24个点作为训练值，将其余点作为验证集。
3. 创建神经网络布局：您将过去三个月的值作为输入，并希望预测下个月的值。因此，您需要一个神经网络，其输入层包含三个节点，输出层包含一个节点。您可能应该具有一个至少包含两个节点的隐藏层。不幸的是，没有明确的指导方针来选择隐藏层的数量以及它们各自的节点数量。我将从3：2：1开始。
4. 创建训练模式：每个训练模式将是四个值，前三个对应于输入节点，最后一个定义输出节点的正确值。例如，如果您的训练数据是值则 $$x_1,x_2\dots,x_{24}$$ $$pattern 1: x_1,x_2,x_3,x_4$$ $$pattern 2: x_2,x_3,x_4,x_5$$ $$\dots$$ $$pattern 21: x_{21},x_{22},x_{23},x_{24}$$
5. 在这些模式上训练神经网络
6. 在验证集上测试网络（25-36个月）：在这里，您将传入神经网络输入层所需的三个值，并查看将输出节点设置为哪个值。因此，要查看受过训练的神经网络如何很好地预测第32个月的值，您需要传递第29、30和31个月的值

这个秘诀显然是高水平的，当您尝试将上下文映射到不同的软件库/程序时，您可能首先会抓狂。但是，希望这能勾勒出要点：您需要创建训练模式，以合理地包含您要预测的序列的相关结构。无论您是使用神经网络还是ARIMA模型进行预测，确定该结构是什么的探索工作通常都是最耗时且最困难的部分。

以我的经验，神经网络可以提供出色的分类和预测功能，但是设置它们会很耗时。在上面的示例中，您可能会发现21种训练模式还不够。不同的输入数据转换导致更好/更坏的预测；改变隐藏层和隐藏层节点的数量会大大影响预测；等等

我强烈建议您访问Neuro_forecasting网站，其中包含有关神经网络预测比赛的大量信息。该动机页面是非常有用的。