用于面板数据的经常性神经网络
问题描述：
该问题有2个部分。假设我们正在查看销售额超过1000美元以上的商品的销售额。对于这1000家商店中的每一家，我们都有24个月的记录数据。用于面板数据的经常性神经网络
- 我们希望能够预测S_t < -f（S_ {t-1}）。我们可以为每个存储时间序列建立一个RNN，计算测试RMSE，然后在考虑标准化值之后取平均值等。但问题是每个时间序列的样本数很少。如果我们要将商店分成组（比如说动态时间翘曲），那么我们可以创建一个文本情感挖掘的独白，在文本中两个句子之间用点分隔，这里我们将有两个时间系列用特殊符号分隔（让我们说）。在这种情况下，我们将生成一个RNN模型
Train_1 | Train_2t | | Train_t
数据和预测
Test_1 | Test_t
- 之后，我们希望将其设置为面板数据问题，其中S_t <-f（x_ {t1}，x_ {t2} ，...，X_ {} TN）。在这种情况下，我应该为每个t建立一个单独的神经网络，然后连接t - > t + 1 - > t + 2的隐藏层....
我应该如何通过Keras/Theano/Mxnet等？任何帮助将是伟大的！
答
对于第一个问题，在MXNet Gluon中实现它非常简单。您可以将问题表达为一个自动回归问题，以便它在序列长度期间不依赖于序列长度，或者可以将其表示为单个预测，并需要S的特定序列长度以预测S_t。无论哪种方式，this gluon tutorial都可以帮助您入门。