Хорошая статья. Один из серьезных минусов RNN (в частности LSTM) это неспособность эффективно обрабатывать последовательности длиною больше 100 (было несколько статей на этот счёт, ссылки к сожалению не найду). В моей практике наилучший результат дают Temporal Convolutions Networks (после них можно и RNN добавить). Если внимательно пересмотреть большую часть подходов к прогнозу time series, то становится понятно, что большая часть из них пытается извлечь фичи из окна предыдущих данных и затем уже использовать их для прогноза (хоть деревья дальше, хоть нейронки). Проблема всегда в том, какие именно надо извлечь фичи и релевантны ли они к таргету. TCN позволяют этот процесс проводить автоматически посредством back-propagation.
Хорошая статья. Один из серьезных минусов RNN (в частности LSTM) это неспособность эффективно обрабатывать последовательности длиною больше 100 (было несколько статей на этот счёт, ссылки к сожалению не найду). В моей практике наилучший результат дают Temporal Convolutions Networks (после них можно и RNN добавить). Если внимательно пересмотреть большую часть подходов к прогнозу time series, то становится понятно, что большая часть из них пытается извлечь фичи из окна предыдущих данных и затем уже использовать их для прогноза (хоть деревья дальше, хоть нейронки). Проблема всегда в том, какие именно надо извлечь фичи и релевантны ли они к таргету. TCN позволяют этот процесс проводить автоматически посредством back-propagation.
Вот прекрасная статья про TCN:
https://medium.com/unit8-machine-learning-publication/temporal-convolutional-networks-and-forecasting-5ce1b6e97ce4