19、神经网络在时间序列预测与通用建模的应用

神经网络在时间序列预测与通用建模的应用

1. 时间序列预测中的CNN与RNN

在时间序列预测中，CNN和RNN是常用的两种神经网络模型。以预测苹果（AAPL）股票价格为例，CNN的输出似乎能较好地跟踪AAPL的股价。但实际上，我们会用下一天的实际股价对模型进行自我修正，以保证预测不会偏差太大。如果重新运行分析并让模型使用自己的输入，它很快就会与AAPL的实际股价产生偏差。

单步预测通常比多步预测更容易，因为单步预测不会偏离建模的初始条件太远。而在多步预测中，模型会形成一个反馈循环，随着预测输出的增多，它会逐渐偏离真实值。

卷积神经网络非常适合对时间序列问题进行建模，但它不像循环神经网络那样内置了时间假设。

1.1 使用RNN进行时间序列预测

循环神经网络在处理文本时非常强大，因为它能对时间依赖关系进行建模，这一特性同样适用于时间序列数据。在时间序列数据集中，t - 1时刻的输入显然会影响t时刻的输入，RNN能够很好地捕捉时间步之间的关系。

以下是创建一个新的循环模型的代码：

rnn_model =
  Axon.input("stock_prices")
  |> Axon.lstm(32)
  |> elem(0)
  |> Axon.nx(& &1[[0..-1//1, -1, 0..-1//1]])
  |> Axon.dense(1)

这个模型将股票价格的时间序列作为输入，通过一个LSTM层处理，并提取LSTM的最终令牌，然后将输出传递给一个具有1个输