Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesJ'ai une base de données d'enregistrement 760 avec la longueur des données d'embouteillage; Donc, il y a une variable d'entrée très significative comme prévu l'heure du jour: il y a un maximum brutal à 8h00 le matin et un large maximum vers 16h00 l'heure de l'après-midi. Il est possible que le modèle précise avec assez de précision la longueur des embouteillages en fonction de l’heure du jour avec une fonction polynomale du 10ème ordre (pas de surapprentissage, le coefficient de la 10ème puissance est significatif) en utilisant la régression des moindres carrés. Cependant, essayer de modéliser avec un réseau de neurones à une couche et plusieurs nœuds le maximum maximal à 4 - 5 l'après-midi est correct, mais le matin, un maximum précis survient toujours une heure trop tôt, c'est-à-dire à 7 heures; augmenter le nombre de nœuds de 2 même à 10 ne aide pas. Devrais-je utiliser plus de layres? Possible en jmp? Combien de nœuds / couche sont recommandés?
Merci pour votre aide, j'obtiendrai bientôt plus de données et d'entrées et j'aimerais former et construire un modèle utilisant un réseau de neurones.
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesAnalyse des séries chronologiques a besoin des observations équidistantes dans le temps. L’analyse des séries chronologiques concerne prédire L'avenir étant basé sur les perturbations observées dans le passé, les observations les plus récentes sont généralement plus pondérées. Il existe de nombreux modèles possibles dans les séries chronologiques. La preuve est dans la performance.
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesBonjour Marc, j'aimerais revenir sur mon cas de trafic que vous avez bien modélisé en utilisant une approche spline. Pensez-vous qu’il serait possible de l’utiliser dans l’analyse de séries chronologiques, c’est-à-dire d’utiliser la fonction spline pour modéliser la tendance temporelle et les résidus auto-régressifs ARIMA? Ensuite, ce moule hybride pourrait être entré dans un réseau neuronal pour obtenir des prévisions précises. C'est une approche bien connue, mais la moyenne mobile est généralement utilisée pour modéliser la tendance temporelle, mais je m'attends à ce que l'approche par spline soit meilleure?
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesOui, mais ce serait un processus manuel.
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesLes techniques de modélisation diffèrent par leurs détails, mais en général, quelle que soit leur structure, plus la réponse est complexe, plus le modèle est complexe, quel que soit son type. D'une certaine manière, le nombre de paramètres requis pour estimer la réponse avec une variance minimale est fonction du nombre de paramètres. C'est pourquoi vous avez eu besoin d'un ordre de polynôme très élevé pour le prédicteur linéaire dans le modèle de régression. C'est pourquoi j'avais besoin de nombreux nœuds dans le modèle de réseau neuronal.
Vous aurez probablement besoin de nœuds supplémentaires ou d'une deuxième couche masquée (ce qui nécessite JMP Pro que vous n'avez pas) lorsque vous introduisez des prédicteurs supplémentaires dans le modèle NN, comme vous auriez besoin d'ajouter des termes au prédicteur linéaire dans le modèle de régression.
Il y a beaucoup de règles empiriques dans ce monde parce que les gens les aiment, pas parce qu'elles sont particulièrement douées.
" F ou chaque question complexe il y a une réponse simple, et c'est faux . " (HL Mencken)
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesEst-il possible de procéder à une validation croisée avec l'ajustement spline afin d'éliminer le risque de surajustement?
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesMarc, cela fonctionne bien, merci beaucoup pour votre expert en avidvice. Je n'avais jamais réalisé qu'il fallait autant de nœuds avec seulement heure comme entrée. J'ai plus de variables d'entrée potentielles, donc je peux imaginer que plus de 8 nœuds seront nécessaires? Existe-t-il une directive concernant les noeuds? J'ai lu un article qui dit que c'est la racine carrée de #data, dans ce cas 2 - 3, évidemment faux. Cordialement, Frank
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesMerci de partager votre exemple. Je n'ai trouvé aucun effet de journée , seul ou dans le cadre d'une interaction avec un pouvoir de Heure , donc il est éliminé. Vous pouvez maintenant utiliser la plate-forme bivariée et le Flexible > Spline en forme. Ajustez le paramètre si nécessaire. J'ai commencé avec une valeur de 1 et obtenu de bons résultats:
(Vous pouvez également inclure des termes comme effets de spline avec Fit Model, mais il est plus facile d'explorer ici la flexibilité nécessaire.)
Vous pouvez enregistrer l'ajustement et les résidus en cliquant sur le triangle rouge en regard de Ajuster le lissage du lissage sous le diagramme de dispersion et en sélectionnant Enregistrer les prévisions et Enregistrer les résidus. Voici le diagramme de dispersion L par prédite L avec la ligne d'identité ajoutée pour référence:
Ça me va très bien! Voici les L résiduels par L prévus:
De même, ces résultats semblent très bons. Vous pouvez également utiliser la formule de colonne pour les prédictions:
Cela semble plus simple et plus satisfaisant que les modèles polynomiaux (formes fixes) ou les modèles de réseaux neuronaux. J'ai aussi exploré les modèles NN, car ce sont généralement d'excellents approximateurs. Le NN avec 8 nœuds cachés utilisant la fonction d'activation de la tangente hyperbolique dans une seule couche semblait bien minimiser les biais et la variance, et les prédictions s'accordent bien avec le modèle spline:
Quel est l'avantage de log L? Les gens ont une interprétation plus facile lorsque la distance est linéaire.
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesJ'ai oublié de mentionner: jmp 13 version standard est utilisé (pas pro).
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesTrouvez ci-joint les données. L'objectif est de modéliser le journal (L) en fonction de l'heure et du jour (il existe d'autres entrées mais elles ne sont pas pertinentes ici). L’ajustement polynomal du 6ème ordre bivarié est satisfaisant par rapport à l’heure, mais le modèle neural échoue le matin.
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesQuelle version de JMP utilisez-vous?
Quelles options et quels paramètres utilisez-vous dans Neural?
Pouvons-nous voir les données pour inspection et enquête?
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesJe ne comprends pas pourquoi le réseau neuronal ne peut pas modéliser mon cas. il est utilisé intensivement dans l'apprentissage automatique. Pourquoi le réseau de neurones prévoit-il toujours la longueur maximale des embouteillages une heure au début de la matinée? Peut-être que je devrais utiliser plus de couches dans mon réseau neuronal pour obtenir une prédiction précise, je ne sais pas ..
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neurones voir, puis oublier l'analyse de survie. Je suis surpris que vous ayez besoin d'un polynôme d'ordre aussi élevé pour ajuster les données. même si le terme d'ordre le plus élevé est significatif, que montrent l'analyse, l'effet de levier et l'influence résiduels?
Je suis également surpris de constater qu'un réseau de neurones comportant autant de nœuds ne convient pas. Ce sont des interpolateurs très souples.
Vous pourriez envisager des splines et des modèles de processus gaussiens pour des applications purement prédictives.
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesMarc, ma réponse est une longueur en km, l'entrée correspond à l'heure du jour où, pour la longueur, j'ai deux maxima: un à 8h00 et un à 16h00.
Re: Modélisation de la longueur d'un embouteillage à l'aide d'un réseau de neuronesJe ne vous décourage pas de modéliser les données avec un réseau de neurones, mais puisque votre réponse est «vie» ou «temps avant événement», avez-vous envisagé d'utiliser un modèle de fiabilité / survie?
