Punktprognose
Posted: Sat 29. Jun 2013, 14:00
Hallo an alle!
Ich habe folgendes Projekt für die Uni, bei dem ich im Moment erhebliche Schwierigkeiten habe:
Die Aufgabe besteht darin eine Vorhersage der Nachfrage nach einem bestimmten Produkt mit neuronalen Netzen zu prognostizieren.
Folgendes Szenario habe ich mir überlegt:
Angenommen ich habe Daten über den Absatz eines Produktes X über die letzten zehn Jahre für jeden Monat (01/2004-12/2013), also insgesamt 120 Daten.
Ziel ist die Prognose für 12/2013.
Folgendes Vorgehen habe ich mir überlegt:
Als Input verwende ich die Monate Jan bis Nov und als Output immer den Dezember, d.h. 11 Muster zum lernen.
Im letzten Jahr gebe ich dann den Input vor und lasse das Netz den Output für 12/2013 berechnen. Die Daten für 12/2013 habe ich natürlich vorliegen, sodass
ich den Fehler der Vorhersage berechnen kann. Damit kann ich dann die Qualität gegenüber anderen Vorhersagemethoden bewerten.
Meine Fragen bzw. Probleme sind:
1. Macht das Szenario so überhaupt Sinn? Sind das zu wenige Daten oder eher zu viele? Ich kann es nicht einschätzen, weil mir die Erfahrung fehlt.
2. Als Architektur habe ich mir ein MLP überlegt mit einem hidden layer. Mich hat dabei ziemlich verwirrt, ob ich eine zeitabhängige Simulation durchführen muss? Eigentlich hätte ich gedacht ein einfaches MLP reicht.
3. Nachdem ich ein MLP gebaut habe, konnte ich mit den Daten den Trainer nicht starten, weil sie out of range waren (meine Daten liegen zwischen 30 und 70). Ich glaube es liegt daran, dass man nur Zahlen zwischen 0 und 1 eintragen kann und die Normalization verstehe ich nicht so genau.
4. Brauche ich 11 Input (Jan-Nov) Neuronen? Ansonsten müsste ich ja eigentlich einen Vektor an Daten in die Inputneuronen eingeben. Außerdem ist mir nicht klar welche Funktion ich bei Inputneuronen einstellen soll.
Meine Bitte nun an euch: Sind in dem Model krasse Denkfehler drin oder müsste das so oder so ähnlich funktionieren. Ansonsten wäre ich sehr dankbar, wenn mir jemand sagt wo ich anfangen soll und vor allem wie.
Vielen Dank für eure Hilfe
Ich habe folgendes Projekt für die Uni, bei dem ich im Moment erhebliche Schwierigkeiten habe:
Die Aufgabe besteht darin eine Vorhersage der Nachfrage nach einem bestimmten Produkt mit neuronalen Netzen zu prognostizieren.
Folgendes Szenario habe ich mir überlegt:
Angenommen ich habe Daten über den Absatz eines Produktes X über die letzten zehn Jahre für jeden Monat (01/2004-12/2013), also insgesamt 120 Daten.
Ziel ist die Prognose für 12/2013.
Folgendes Vorgehen habe ich mir überlegt:
Als Input verwende ich die Monate Jan bis Nov und als Output immer den Dezember, d.h. 11 Muster zum lernen.
Im letzten Jahr gebe ich dann den Input vor und lasse das Netz den Output für 12/2013 berechnen. Die Daten für 12/2013 habe ich natürlich vorliegen, sodass
ich den Fehler der Vorhersage berechnen kann. Damit kann ich dann die Qualität gegenüber anderen Vorhersagemethoden bewerten.
Meine Fragen bzw. Probleme sind:
1. Macht das Szenario so überhaupt Sinn? Sind das zu wenige Daten oder eher zu viele? Ich kann es nicht einschätzen, weil mir die Erfahrung fehlt.
2. Als Architektur habe ich mir ein MLP überlegt mit einem hidden layer. Mich hat dabei ziemlich verwirrt, ob ich eine zeitabhängige Simulation durchführen muss? Eigentlich hätte ich gedacht ein einfaches MLP reicht.
3. Nachdem ich ein MLP gebaut habe, konnte ich mit den Daten den Trainer nicht starten, weil sie out of range waren (meine Daten liegen zwischen 30 und 70). Ich glaube es liegt daran, dass man nur Zahlen zwischen 0 und 1 eintragen kann und die Normalization verstehe ich nicht so genau.
4. Brauche ich 11 Input (Jan-Nov) Neuronen? Ansonsten müsste ich ja eigentlich einen Vektor an Daten in die Inputneuronen eingeben. Außerdem ist mir nicht klar welche Funktion ich bei Inputneuronen einstellen soll.
Meine Bitte nun an euch: Sind in dem Model krasse Denkfehler drin oder müsste das so oder so ähnlich funktionieren. Ansonsten wäre ich sehr dankbar, wenn mir jemand sagt wo ich anfangen soll und vor allem wie.
Vielen Dank für eure Hilfe