เหตุใดการคาดการณ์ของอนุกรมเวลาจึง“ แย่มาก”

ฉันพยายามเรียนรู้วิธีใช้ Neural Networks ฉันกำลังอ่านบทช่วยสอนนี้

หลังจากติดตั้งโครงข่ายประสาทในอนุกรมเวลาโดยใช้ค่าที่เพื่อทำนายค่าที่t + 1ผู้เขียนได้รับพล็อตต่อไปนี้โดยที่เส้นสีฟ้าคืออนุกรมเวลาสีเขียวคือการทำนายข้อมูลรถไฟสีแดงคือ การคาดการณ์ข้อมูลการทดสอบ (เขาใช้การทดสอบรถไฟแบบแยก)$t$$t+1$

และเรียกมันว่า "เราจะเห็นว่าแบบจำลองนั้นทำงานได้ค่อนข้างแย่ในการปรับทั้งชุดฝึกอบรมและชุดทดสอบ

$t$$t-1$$t-2$$t+1$

และพูดว่า "เมื่อมองที่กราฟเราจะเห็นโครงสร้างเพิ่มเติมในการทำนาย"

คำถามของฉัน

ทำไมคนยากจนคนแรก? มันเกือบจะสมบูรณ์แบบสำหรับฉันมันทำนายการเปลี่ยนแปลงทุกอย่างสมบูรณ์แบบ

และในทำนองเดียวกันทำไมอันดับสองถึงดีกว่า? "โครงสร้าง" อยู่ที่ไหน สำหรับฉันมันดูด้อยกว่าครั้งแรกมาก

โดยทั่วไปการคาดการณ์ของซีรีย์เวลาจะดีและเมื่อไร

มันเป็นภาพลวงตาออพติคอล: ตามองที่กราฟและเห็นว่ากราฟสีแดงและสีน้ำเงินอยู่ติดกัน ปัญหาคือพวกเขาอยู่ติดกันในแนวนอนแต่สิ่งที่สำคัญคือแนวตั้งระยะทาง ดวงตามองเห็นระยะห่างระหว่างเส้นโค้งในพื้นที่สองมิติของกราฟคาร์ทีเซียนได้ง่ายที่สุด แต่สิ่งที่สำคัญคือระยะทางหนึ่งมิติภายในค่า t ที่เฉพาะเจาะจง ตัวอย่างเช่นสมมติว่าเรามีคะแนน A1 = (10,100), A2 = (10.1, 90), A3 = (9.8,85), P1 = (10.1,100.1) และ P2 = (9.8, 88) ดวงตาจะเปรียบเทียบ P1 กับ A1 โดยธรรมชาติเพราะนั่นคือจุดที่ใกล้ที่สุดขณะที่ P2 จะเปรียบเทียบกับ A2 เนื่องจาก P1 ใกล้กับ A1 มากกว่า P2 ถึง A3 ดังนั้น P1 จึงดูเหมือนการทำนายที่ดีกว่า แต่เมื่อคุณเปรียบเทียบ P1 กับ A1 คุณแค่ดูว่า A1 สามารถทำซ้ำสิ่งที่เห็นก่อนหน้าได้ดีเพียงใด สำหรับ A1, P1 ไม่ใช่การทำนาย. การเปรียบเทียบที่เหมาะสมคือระหว่าง P1 v. A2 และ P2 v. A3 และในการเปรียบเทียบ P2 นี้ดีกว่า P1 มันจะมีความชัดเจนมากขึ้นถ้านอกเหนือไปจากการวางแผน y_actual และ y_pred เทียบกับ t จะมีกราฟของ (y_pred-y_actual) เทียบกับ t

ทำไมคนยากจนคนแรก? มันเกือบจะสมบูรณ์แบบสำหรับฉันมันทำนายการเปลี่ยนแปลงทุกอย่างสมบูรณ์แบบ

มันเป็นสิ่งที่เรียกว่า "การเปลี่ยนแปลง" การคาดการณ์ หากคุณดูแผนภูมิ 1 อย่างใกล้ชิดยิ่งขึ้นคุณจะเห็นว่าพลังการทำนายนั้นเป็นเพียงการคัดลอกค่าเกือบเท่าสุดท้ายที่เห็น นั่นหมายความว่าแบบจำลองไม่ได้เรียนรู้อะไรที่ดีขึ้นและมันถือว่าอนุกรมเวลาเป็นการเดินแบบสุ่ม ฉันเดาว่าปัญหาอาจเกิดขึ้นได้ในความจริงที่คุณใช้ข้อมูลดิบที่คุณป้อนไปยังเครือข่ายประสาท ข้อมูลเหล่านี้ไม่คงที่ซึ่งทำให้เกิดปัญหาทั้งหมด