ANN

Le modèle de réseau neuronal artificiel multivarié (ANN) est un modèle d'apprentissage automatique qui peut être considéré comme une version multivariée du modèle neuronal univarié (voir Avancé : Neural). La différence évidente est que le modèle ANN est capable de modéliser plusieurs séries chronologiques ensemble.

Séries chronologiques multivariées et réseaux neuronaux

Pour modéliser un ensemble de kk série chronologique Y1,... , Royaume-UniY1, ... ,Ykà l'aide d'un réseau de neurones, le p⋅kp⋅k des valeurs décalées sont utilisées comme entrées et le réseau neuronal est entraîné pour expliquer le courant pp valeurs des séries chronologiques incluses. Tout comme dans le cas d'une variable univariée, une prévision peut ensuite être créée en utilisant yt,... , yt−p+1yt, ... ,yt−p+1 comme entrées pour prédire yt+1yt+1. Notez que nous sommes en train d'écrire ytytpour désigner le vecteur de kk valeurs au temps tt, ce qui signifie que le modèle créera des prévisions pour tous variables incluses. Cela peut ensuite être répété de manière récursive en utilisant les seules valeurs de prévision comme entrée, créant ainsi une prévision de la longueur souhaitée.

Comment s'adapte Indicio à un modèle ANN ?

À mesure que le nombre d'entrées et de sorties d'un modèle augmente, la taille requise des couches cachées augmente également, et avec elle, la complexité du modèle. Cela représente un défi car un modèle complexe risque toujours d'être suradapté aux données. Pour y remédier, les données sont divisées en un ensemble de trains et un ensemble de validation.

Le modèle est entraîné sur les données d'entraînement à l'aide de la méthode Stochastic Gradient Descent (SGD). Seules quelques observations sont utilisées à chaque itération, ce qui signifie qu'après un certain nombre d'itérations, l'algorithme SGD aura examiné toutes les données. Chacun de ces ensembles d'itérations est appelé époque. Après chaque époque, le modèle est utilisé pour créer une prévision dans l'ensemble de validation, et l'erreur de prévision hors échantillon est calculée. Le modèle fait également partie du processus d'apprentissage qui produit des prévisions dans l'échantillon, appelées valeurs ajustées, à partir desquelles l'erreur de prévision dans l'échantillon peut être calculée.

Cela créera deux séries d'erreurs de prévision, dans l'échantillon et hors échantillon par époque. Indicio applique ce que l'on appelle l'arrêt précoce, ce qui signifie que lorsque la précision hors échantillon commence à se détériorer sur plusieurs périodes, le processus d'apprentissage est interrompu et le modèle est considéré comme terminé.

‍