Modellierung der Länge eines Staus mithilfe eines neuronalen NetzwerksIch habe eine 760-Datensatz-Datenbank mit Länge der Staudaten; So gibt es wie erwartet eine sehr signifikante Eingangsgröße für die Stunde des Tages: Es gibt ein scharfes Maximum um 8:00 Uhr morgens und ein breites Maximum um 16:00 Uhr nachmittags. Es ist möglich, dass das Modell die Staulänge als Funktion der Tagesstunde mit einer Polynomfunktion 10. Ordnung (keine Überanpassung, der Koeffizient der 10. Potenz ist signifikant) mit Hilfe der Regression der kleinsten Quadrate ziemlich genau kann. Beim Versuch, mit einem einschichtigen neuronalen Netzwerk und mehreren Knoten zu modellieren, ist das breite Maximum bei 4 - 5 im Fernrohr in Ordnung, aber am Morgen tritt ein scharfes Maximum immer eine Stunde zu früh auf, dh um 7 Uhr morgens; Erhöhung der Knotenanzahl von 2 auf bis zu 10 hilft nicht. Soll ich mehr Laien verwenden? Möglich in jmp? Wie viele Knoten / Layer werden empfohlen?
Vielen Dank für die Hilfe, ich werde bald mehr Daten und Eingaben erhalten und ich möchte ein Modell mit einem neuronalen Netzwerk trainieren und bauen.
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkZeitreihenanalyse erfordert Beobachtungen, die zeitlich gleich beabstandet sind. Bei der Zeitreihenanalyse geht es um Vorhersagen Aufgrund der in der Vergangenheit beobachteten Störungen werden in der Regel die jüngsten Beobachtungen stärker gewichtet. Es gibt viele mögliche Modelle unter Zeitreihen. Der Beweis liegt in der Aufführung.
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkHallo Marc, ich würde gerne auf meinen Verkehrsfall zurückkommen, den du mit einem Spline-Ansatz modelliert hast. Halten Sie es für möglich, dies in der Zeitreihenanalyse zu verwenden, dh, mithilfe der Spline-Funktion den Zeittrend und die autoregressiven Residuen von ARIMA zu modellieren? Als Nächstes könnte dieses hybride Schimmelpilz in ein neuronales Netz eingegeben werden, um genaue Vorhersagen zu erhalten. Dies ist ein bekannter Ansatz. Allerdings wird der gleitende Durchschnitt normalerweise verwendet, um den Zeittrend zu modellieren.
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkJa, aber es wäre ein manueller Prozess.
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkUnterschiedliche Modellierungstechniken unterscheiden sich in ihren Details, aber unabhängig von ihrer Struktur gilt: Je komplexer die Reaktion, desto komplexer das Modell eines beliebigen Typs. In gewisser Weise geht es darum, wie viele Parameter erforderlich sind, um die Antwort mit minimaler Varianz anzunähern. Deshalb brauchte man für den linearen Prädiktor im Regressionsmodell eine sehr hohe Ordnung des Polynoms. Deshalb brauchte ich viele Knoten im neuronalen Netzwerkmodell.
Wenn Sie dem NN-Modell zusätzliche Prädiktoren hinzufügen, benötigen Sie wahrscheinlich zusätzliche Knoten oder eine zweite verborgene Schicht (für die Sie nicht über JMP Pro verfügen). Genauso wie Sie dem Regressionsmodell Terme hinzufügen müssen.
Es gibt viele Daumenregeln auf dieser Welt, weil die Menschen sie mögen, nicht weil sie besonders gut sind.
" F oder auf jede komplexe Frage gibt es eine einfache Antwort, und diese ist falsch . " (HL Mencken)
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkIch habe eine Möglichkeit, die Kreuzvalidierung mit dem Spline-Fit durchzuführen, damit die Gefahr einer Überanpassung entfällt.
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkMarc, das funktioniert gut, vielen Dank für Ihre fachkundige Begabung. Ich hatte noch nie realisiert, dass so viele Knoten mit nur einer Stunde als Eingabe benötigt werden. Ich habe mehr mögliche Eingabevariablen, so dass ich mir vorstellen kann, dass> 8 Knoten erforderlich sind? Gibt es eine Richtlinie zu #nodes? Ich habe einen Artikel gelesen, dass dies die Quadratwurzel von #data ist, in diesem Fall 2 - 3, offensichtlich falsch. Herzliche Grüße, Frank
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkVielen Dank für das Teilen Ihres Beispiels. Ich habe keine Wirkung von gefunden Tag allein oder als Teil einer Interaktion mit irgendeiner Macht von Stunde so wird es beseitigt. Sie können jetzt die Bivariate-Plattform und die Flexibel > Spline passen. Passen Sie den Parameter nach Bedarf an. Ich habe mit einem Wert von 1 angefangen und gute Ergebnisse erzielt:
(Sie können auch Begriffe als Spline-Effekte in Fit Model einfügen. Hier können Sie jedoch die erforderliche Flexibilität leichter untersuchen.)
Sie können die Anpassung und die Residuen speichern, indem Sie auf das rote Dreieck neben Glättungs-Spline-Anpassung unter dem Punktdiagramm klicken und Vorhersagen speichern und Residuen speichern auswählen.
Sieht mir sehr gut aus! Hier sind die L-Residuen durch vorhergesagtes L:
Diese Ergebnisse sehen ebenfalls sehr gut aus. Sie können die Spaltenformel auch für Vorhersagen verwenden:
Dieser Weg erscheint einfacher und zufriedenstellender als Polynommodelle (feste Formen) oder neuronale Netzwerkmodelle. Ich habe auch NN-Modelle erforscht, weil sie im Allgemeinen ausgezeichnete Approximatoren sind. Der NN mit 8 verborgenen Knoten, die die hyperbolische Tangensaktivierungsfunktion in einer einzigen Schicht verwenden, schien die Verzerrung und Varianz gut zu minimieren, und die Vorhersagen stimmen gut mit dem Spline-Modell überein:
Was ist der Vorteil von log L? Menschen haben eine einfachere Interpretation, wenn die Entfernung linear ist.
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkIch habe vergessen zu erwähnen: jmp 13 Standardversion wird verwendet (nicht Pro).
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkAngehängte Daten finden. Ziel ist es, Log (L) gegen Stunde und Tag zu modellieren (es gibt andere Eingaben, die hier jedoch nicht relevant sind). Bivariate Polynome der 6. Ordnung passen gut gegen Stunde, das neuronale Modell versagt jedoch am Morgen.
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkWelche JMP-Version verwenden Sie?
Welche Optionen und Einstellungen in Neural verwenden Sie?
Können wir die Daten zur Einsicht und Untersuchung sehen?
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkIch verstehe nicht, warum das neuronale Netz meinen Fall nicht modellieren kann. es wird intensiv beim maschinellen Lernen eingesetzt. Warum sagt das neuronale Netz immer die maximale Staulänge von einer Stunde bis zum frühen Morgen voraus? Vielleicht sollte ich mehr Schichten in meinem neuronalen Netz verwenden, um eine genaue Vorhersage zu erhalten, ich weiß es nicht.
Betreff: Modellierung der Länge eines Staus mit einem neuronalen Netzwerk dann vergiss die Überlebensanalyse. Ich bin überrascht, dass Sie ein Polynom hoher Ordnung benötigen, um die Daten anzupassen. Was zeigen die Residualanalyse, die Hebelwirkung und der Einfluss, auch wenn der Term mit der höchsten Ordnung von Bedeutung ist?
Ich bin auch überrascht, dass ein neuronales Netzwerk mit so vielen Knoten nicht so gut passt. Sie sind sehr flexible Interpolater.
Für rein prädiktive Anwendungen können Sie Splines und Gaußsche Prozessmodelle in Betracht ziehen.
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkMarc, meine Antwort ist eine Länge in km, die Eingabe ist die Stunde des Tages, bei der ich zwei Maxima bekomme: eine um 8:00 Uhr und eine um 16:00 Uhr
Betreff: Modellierung der Länge eines Staus mit einem neuronalen NetzwerkIch entmutige Sie nicht, die Daten mit einem neuronalen Netzwerk zu modellieren. Da Ihre Antwort jedoch "Lebensdaten" oder "Zeit bis zum Ereignis" ist, haben Sie in Erwägung gezogen, ein Zuverlässigkeits- / Überlebensmodell zu verwenden?
