ARIMA vs LSTM kullanarak zaman serisi tahmini

Karşılaştığım sorun zaman serisi değerlerini tahmin etmektir. Bir seferde bir seferlik serilere bakıyorum ve örneğin giriş verilerinin% 15'ine dayanarak gelecekteki değerlerini tahmin etmek istiyorum. Şimdiye kadar iki modele rastladım:

• LSTM (uzun kısa süreli bellek; tekrarlayan sinir ağları sınıfı)
• ARİMA

İkisini de denedim ve onlarla ilgili bazı makaleler okudum. Şimdi ikisini karşılaştırma konusunda daha iyi bir fikir edinmeye çalışıyorum. Şimdiye kadar ne buldum:

1. Büyük miktarda veriyle uğraşırsak ve yeterli eğitim verisi mevcutsa LSTM daha iyi çalışır, ARIMA daha küçük veri kümeleri için daha iyidir (bu doğru mu?)
2. ARIMA (p,q,d), verilere dayalı olarak hesaplanması gereken bir dizi parametre gerektirirken , LSTM bu parametrelerin ayarlanmasını gerektirmez. Bununla birlikte, LSTM için ayarlamamız gereken bazı hiperparametreler vardır.

Yukarıda belirtilen özellikler dışında, en iyi modeli seçmemde bana yardımcı olabilecek başka bir nokta veya gerçek bulamadım. Birisi makaleleri, kağıtları veya diğer şeyleri bulmama yardım ederse gerçekten minnettar olurum (şimdiye kadar hiç şansı yoktu, sadece burada ve orada bazı genel görüşler vardı ve deneylere dayanan hiçbir şey yoktu.)

Başlangıçta veri akışı ile uğraştığımı belirtmek zorundayım, ancak şimdilik 20k veri noktasının maksimum boyutu olan 50 veri kümesini içeren NAB veri kümelerini kullanıyorum .

Emtia fiyatlarını tahmin etmek için yapay sinir ağı ve zaman serisi modellerinin karşılaştırılması, finansal zaman serilerini tahmin etmede YSA ve ARIMA'nın performansını karşılaştırır. Bence bu literatür taramanız için iyi bir başlangıç ​​noktası.

Çoğu durumda, sinir ağları AR tabanlı modellerden daha iyi performans gösterir. Bununla birlikte, daha gelişmiş makine öğrenme yöntemleri ile büyük bir dezavantajın (akademik literatürde bu kadar tartışılmaz), kara kutular kullanmaları olduğunu düşünüyorum. Modelin bu modellerin çoğunu (örneğin bir şirkette) bilmeyen birine nasıl çalıştığını açıklamanız gerekiyorsa, bu büyük bir sorundur. Fakat bu analizi tıpkı bir okul çalışması olarak yapıyorsanız, bunun bir sorun olacağını sanmıyorum.

Ancak önceki yorumcunun söylediği gibi, genellikle en iyi yol, iki veya daha fazla modeli birleştirdiğiniz bir topluluk tahmincisi oluşturmaktır.