신경망을 이용한 교통 체증 발생 모델링나는 교통 체증 데이터의 길이를 가진 760 레코드 daabase을 가지고있다; 그래서 fatr에는 하루 중 시간대와 같이 매우 중요한 입력 변수가 하나 있습니다. 아침 8시에 최대 값이 있고 오후에는 최대 16시에 최대 값이 있습니다. 최소 제곱 회귀를 사용하여 10 차 다항식 함수 (overfitting, 10 차 전력의 계수가 중요 함)로 하루 시간의 함수로 교통 정체를 상당히 정확하게 모델링 할 수 있습니다. 그러나 하나의 레이어 신경망과 여러 노드로 모델을 만들려고하면 afernoon에서 4 - 5의 넓은 최대 값은 정상이지만 아침에는 날카로운 최대 값이 항상 일찍 발생합니다. 즉 오전 7시에 일찍 발생합니다. 2에서 심지어 노드 수를 늘린다. 10 도움이되지 않습니다. 더 많은 layres를 사용해야합니까? jmp에서 가능합니까? 얼마나 많은 노드 / 계층을 권장합니까?
도와 주셔서 감사합니다. 더 많은 데이터와 입력을 곧 받게 될 것이고, 신경망을 사용하여 모델을 훈련하고 구축하고 싶습니다.
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이시계열 분석 요구하다 시간 간격이 똑같은 관측. 시계열 분석은 예측하는 과거에 관측 된 교란에 기반한 미래, 대개 가장 최근의 관측치는 더 무겁게 가중된다. 시계열에는 많은 모델이 있습니다. 증거는 성과에 있습니다.
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이안녕하세요 마크, 나는 당신이 멋지게 스플라인 접근법을 사용하여 모델링 한 내 트래픽 사례를 다시보고 싶습니다. 시계열 분석, 즉 스플라인 함수를 사용하여 시간 추세와 ARIMA 자동 회귀 잔차를 모델링 할 수 있다고 생각하십니까? 다음이 하이브리드 moldel 정확한 예측을 얻을 수있는 신경망에 입력 할 수 있습니다. 이것은 잘 알려진 접근이지만 이동 평균은 일반적으로 시간 추세를 모델로 사용되지만 나는 스플라인 접근 방식이 더 좋을 것으로 기대합니까?
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이네,하지만 수동 프로세스가 될 것입니다.
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이서로 다른 모델링 기법은 세부 사항이 다르지만 일반적으로 구조에 관계없이 응답이 복잡하고 모델이 복잡하며 주어진 유형에 따라 다릅니다. 어떤면에서는 최소 분산으로 응답을 근사하는 데 필요한 매개 변수의 수입니다. 그래서 회귀 모델에서 선형 예측 자에 대해 매우 높은 차수의 다항식이 필요했습니다. 그래서 신경망 모델에 많은 노드가 필요했습니다.
회귀 모델에 선형 예측 자에 용어를 추가해야하는 것처럼 NN 모델에 추가 예측자를 추가 할 때 추가 노드 또는 두 번째 숨겨진 계층 (필요하지 않은 JMP Pro 필요)이 필요할 수 있습니다.
이 세상에는 사람들이 좋아하기 때문에 엄지 손가락의 규칙이 많습니다. 특히 좋기 때문이 아닙니다.
" 에프 또는 모든 복합적인 질문은 간단한 대답이며 잘못된 것입니다. . " (HL Mencken)
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이나는 거기에 맞게 spline과 crossvalidation을 수행 할 수있는 방법을 overnitting에 대한 위험이 eleminated 무엇입니까?
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이마크,이 작품을 잘, 당신의 전문가 avidvice에 대한 감사합니다. 너무 많은 노드가 입력으로 오직 한 시간 만 필요하다는 것을 결코 깨닫지 못했습니다. 8 개 이상의 노드가 필요할 것이라고 상상할 수있는 잠재적 인 입력 변수가 있습니까? # 노드에 대한 지침이 있습니까? #data의 제곱근 인 기사를 읽었습니다.이 경우 2 - 3, 분명히 잘못되었습니다. 감사합니다, Frank
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이귀하의 사례를 공유해 주셔서 감사합니다. 나는 어떤 효과도 찾지 못했다. 일 , 혼자서 또는 어떤 힘과도 상호 작용의 일부로 시간 , 그래서 그것은 제거된다. 이제 Bivariate 플랫폼과 융통성 있는 > 운형자 적당한. 필요에 따라 매개 변수를 조정하십시오. 나는 1의 가치로 시작했고 좋은 결과를 얻었다.
Fit Model을 사용하여 스플라인 효과로 용어를 포함 할 수도 있지만 여기서 필요한 유연성을 쉽게 탐구 할 수 있습니다.
산점도에서 Smoothing Spline Fit을 선택하고 Save Predicteds와 Save Residual을 선택하여 피팅과 잔차를 저장할 수 있습니다. 참조 용 신원 선을 추가하여 예측 된 L 산점도에 의한 실제 L입니다.
내게 아주 좋아 보인다! 예측 된 L에 의한 L 개의 잔차가 있습니다 :
마찬가지로, 이러한 결과는 매우 좋게 보입니다. 예측에 열 수식을 사용할 수도 있습니다.
이 방법은 다항식 모델 (고정 된 모양) 또는 신경망 모델보다 훨씬 간단하고 만족스러워 보입니다. 나는 NN 모델을 탐구했다. 왜냐하면 그것들은 일반적으로 훌륭한 approximators이기 때문이다. 단일 계층에서 하이퍼 볼릭 탄젠트 활성화 함수를 사용하는 8 개의 숨겨진 노드가있는 NN은 바이어스 및 분산을 좋게 최소화하는 것으로 보였고 예측은 스플라인 모델과 잘 일치합니다.
로그 L의 장점은 무엇입니까? 사람들은 거리가 선형 일 때 더 쉽게 해석 할 수 있습니다.
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이언급하는 것을 잊어 버렸습니다. jmp 13 표준 버전이 사용됩니다 (프로가 아님).
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이첨부 된 데이터를 찾습니다. 목표는 로그 (L) 대 시간 및 일을 모델링하는 것입니다 (다른 입력이 있지만 여기에는 관련이 없습니다). 이변 량 6 차 다항식 적합은 시간 대 잘되지만 신경 모델은 아침에 실패합니다.
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이어떤 버전의 JMP를 사용하고 있습니까?
Neural의 어떤 옵션과 설정을 사용하고 있습니까?
검사와 조사를위한 데이터를 볼 수 있을까요?
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이나는 신경망이 나의 경우를 모델링 할 수없는 이유를 이해하지 못한다; 그것은 기계 학습에 집중적으로 사용됩니다. 왜 신경망은 항상 아침 일찍부터 최대 1 시간 전까지의 최대 교통 체증 길이를 예측합니까? 어쩌면 정확한 예측을 위해 신경망에서 더 많은 레이어를 사용해야한다. 잘 모르겠다.
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이 보고 생존 분석을 잊어 버려라. 나는 당신이 데이터에 맞는 높은 차수의 다항식을 요구함에 놀랐다. 최상위 기간이 중요하더라도 잔여 분석, 레버리지 및 영향은 무엇을 보여줍니까?
또한 많은 노드를 가진 신경 네트워크가 잘 맞지 않는다는 것에 놀랐습니다. 그들은 매우 유연한 보간법입니다.
순전히 예측적인 어플리케이션을위한 스플라인 및 가우시안 프로세스 모델을 고려할 수 있습니다.
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이Marc, 내 응답은 km 단위의 길이이고, 입력은 시간당 최대 길이가 두 개인 최대 시간입니다. 하나는 오전 8시에 하나는 16시에
재 : 신경 네트워크를 사용하여 교통 체증의 모델링 길이신경 네트워크를 사용하여 데이터를 모델링하지 못하게 하겠지만 응답이 '생존'또는 '이벤트 발생 시간'데이터이므로 신뢰도 / 생존 모델을 사용 해본 적이 있습니까?
