Как оценить эффективность многоэтапного прогнозирования для большого набора данных?

Как оценить эффективность многоэтапного прогнозирования для большого набора данных?

Я имею в виду, что для использования NARX для прогнозирования мне необходимо:

1. создать замкнутую сеть с

netc = closeloop(net);
2. construct target prediction data with 
targetSeriesPred = [targetSeries(end-delay+1:end), con2seq(nan(1,N))], i.e. use a number of nan equal to forecasting horizon
3. prepare data with 
[Xs,Xi,Ai,Ts] = preparets(netc,inputSeriesPred,{},targetSeriesPred);
4. get simulation/prediction results with 
yPred = netc(Xs,Xi,Ai);
5. evaluate forecasting performance (regarding olny one step-ahead prediction) with 
perf = perform(net,yPred,targetSeriesVal);

Теперь предположим, что у меня есть большой набор данных за 3 года почасовой выборки данных, я могу использовать только первый год для фазы обучения, проверки и тестирования (конечно, «разделение блоков»). Я не знаю, как получить уникальное значение производительности для оставшихся данных, 2 года, для горизонта прогнозирования например всего 6 выборок. Надеюсь, я был достаточно ясен. Заранее спасибо за ваши ответы/предложения.

ОТВЕЧАТЬ

Matlabsolutions.com предоставляет последнюю Помощь по домашним заданиям MatLab, Помощь по заданию MatLab для студентов, инженеров и исследователей в различных отраслях, таких как ECE, EEE, CSE, Mechanical, Civil со 100% выходом. Код Matlab для BE, B.Tech , ME, M.Tech, к.т.н. Ученые со 100% конфиденциальностью гарантированы. Получите проекты MATLAB с исходным кодом для обучения и исследований.

Как оценить эффективность многоэтапного прогнозирования для большого набора данных? Вопрос задан EANX 14 апреля 2014 г.

A. Design an openloop net
  1. Use training data and nncorr or fft to estimate
   a. Significant autocorrelation output feedback lags
   b. Significant input/output crosscorrelation input lags
  2. Use trial and error to determine number of hidden layer nodes
  3. Use divideblock in narxnet to obtain multiple designs
  4. Choose the best design based on validation set error.
  5. Use the test set on the best design to obtain an UNBIASED 
     estimate of performance 
 B. Convert to a closeloop design
  1. [ netc Xci Aci ]= closeloop(neto, Xoi, Aoi)
  2. Use preparets and test netc on the original data
  3. If performance is unsatisfactory, train netc intialized with 
     the initial conditions Xoi, Aoi and final weights of neto.
  4. To predict beyond the original data, use the data at the end of 
     the test set to intialize the delay buffer and a new external input.
  5. Use preparets and netc to predict beyond the test data.

СМОТРИТЕ ПОЛНЫЙ ОТВЕТ НАЖМИТЕ НА ССЫЛКУ