Почему для временных рядов используют реккур. нейросети?

[Igor_Dmitriev]

Можно же использовать, не реккурентные сети, а, например, обыкновенные, подавая на вход хвосты размера N.
Так почему же используют реккурентные нейросети?
Используют ли для них что-нибудь ещё, кроме нейросетей и моделей ARMA, ARIMA и т.д.?

[Pavia]

Что такое временной ряд? Это функция. Вот весь матанализ занимается изучением функций.
Всё, что не запрещено, то разрешено. А разрешено всё. Вернее вы сами не наложили ни каких ограничений.

[Mihaylo]

Обычная нейронная сеть строит решающий алгоритм вида $y=f(x)$, где $y$ - это выход нейросети (ответы), $x$ - входные данные (признаки).
Временной ряд - это последовательность $x$ (известные данные) и $y$ (прогноз), которые коррелируют между собой, при чем имеется некая скользящая во времени зависимость $z_n=g(z_1, ..., z_{n-2}, z_{n-1})$. Следовательно, спрогнозировав текущее значение $y$, нужно как-то учесть это значение для последующих прогнозов. Таким образом появляется обратная связь в нейронной сети и сеть становится рекуррентной. Алгоритм примерного вида $y_n=f(x, y_1, ..., y_{n-2}, y_{n-1})$.

[Pavia]

Mihaylo в сообщении #1173784 писал(а):

Временной ряд - это последовательность $x$ (известные данные) и $y$ (прогноз),

Не надо придумывать свои определения. В определения временного ряда нет слова прогноз.

Mihaylo в сообщении #1173784 писал(а):

при чем имеется некая скользящая во времени зависимость

Опять ваши фантазии. С чего вы взяли что она там есть? Может её там нету?

Mihaylo в сообщении #1173784 писал(а):

Следовательно, спрогнозировав текущее значение $y$, нужно как-то учесть это значение для последующих прогнозов.

Допустим.

Mihaylo в сообщении #1173784 писал(а):

Следовательно, спрогнозировав текущее значение $y$, нужно как-то учесть это значение для последующих прогнозов. Таким образом появляется обратная связь в нейронной сети и сеть становится рекуррентной.

Тут явно пропущены рассуждения. Такой вопрос, что нам мешает вынести обратную связь из нейронной сети?

[Mihaylo]

Pavia
Вместо того, чтобы просто передернуть мои предложения, предлагаю изложить свою точку зрения подробнее.
Моя мысль проста: рекуррентные нейронные сети подходят для временных рядов в связи с особенностью данных в этом случае.
Вот здесь иная точка зрения: http://datareview.info/article/prognozi ... yih-setey/

[Pavia]

Mihaylo
Ваши мозги забитой пропагандой - она всего лишь мода или популизм.

Без предметной области все рассуждения лишены смысла. Так как именно эта предметная область или физика или природа поставляет нам ограничения и связи. Эти связи мы и записываем в виде формул или ограничений в условия математической задачи. К примеру, то что ряд данных стохастический или эргодический или то что ряд дифференцируемый или интегрируемый, гладкий и тп.

Так как был поставлен вопрос в начале, чисто математика без каких либо физических ограничений, то и ответ был в таком же духе. Можете использовать всё. Ограничений - нету! Можете использовать МНК, НС, преобразование Фурье, SVD, KLT, или хотя бы линейную экстраполяцию. Хотите НС с обратными связями пожалуйста, хотите без тоже можете.
В принципе под такую постановку подходит любое решение, да же всякое. Вот и ответы вы можете получить любые, все возможные какие за хотите.

Большинство таких статей не имеют научной постановки, они не выводят новые формулы не получают новые ограничения. Поэтому они бесполезны. Так как их авторы занимаются профанацией подгоняя под желаемый ответ решение или ответ под решение.

Цитата:

при чем имеется некая скользящая во времени зависимость

Есть или нет определяет опыт, а не ваши мечты.
Понятно что природа вещей от нас сокрыта. Поэтому вначале выдвигаете гипотезу и только потом проверяете её.
Вот если гипотеза верна, то её можно применять для прогнозирования результатов.
А так как предметной области у нас не было, то возможны любые исходы как наличие зависимости так и её отсутствие.

[Mihaylo]

Pavia
Сказанное мною свойственно для большинства предметных областей. Многие системы подчиняются законам, описываемыми дифференциальными уравнениями и похожими более сложными нелинейными. А эти временные ряды обладают теми свойствами, которые я обозначил. Предметная область по большому счету не имеет никакого значения. Практически все системы динамические, а значит временные ряды обладают тем самым необходимым свойством.

При этом я совершенно согласен с Вами. Могут быть случаи-исключения, когда рекуррентные нейросети нецелесообразны. Но это редкие случаи, не спрашивайте меня, почему. Редкие и все.