Vorrei iniziare rispondendo alla tua domanda, quindi aggiungerò alcuni commenti e suggerimenti.
Innanzitutto, credo che quando dici "peso" intendi effettivamente "input" / "output". Questo perché hai chiesto come trasformare le serie temporali in pesi e come trasformare i pesi di output in una previsione. La terminologia della rete neurale utilizza "peso" per indicare qualcos'altro (la risposta di Pat usa correttamente il termine "peso").
Questo è ciò che le persone di solito suggeriscono: se la tua serie temporale ha l'aspetto
X_1, X_2, ..., X_n, ...
quindi procedi come segue:
Passaggio 1: decidi quante osservazioni desideri utilizzare per fare una previsione.
Passaggio 2: decidere quanti passi in avanti si desidera prevedere.
Entrambe queste scelte sono fisse per NN.
Per questo esempio supponiamo che tu voglia usare le ultime 5 letture per fare 2 previsioni.
Quindi lo farai
Passaggio 3. Crea una rete neurale con 5 nodi di input e 2 nodi di output.
Passaggio 4. Crea il tuo training set con ogni elemento composto da 5 letture sequenziali come input e le due letture successive come output.
Ecco i primi DUE elementi del training set:
Input = X_1, X_2, X_3, X_4, X_5Output = X_6, X_7Input = X_2, X_3, X_4, X_5, X_6Output = X_7, X_8etc.
Si spera che questo risponda alla tua domanda.
Ora per alcuni gyan.
Se i tuoi dati sono rumorosi, ad esempio zecche di borsa, quindi la mia sensazione è che sarà difficile allenarsi. So di aver avuto sfortuna nel tentativo di addestrare reti neurali su dati rumorosi.
Quindi ecco un'altra strategia:
Per prima cosa modella la tua serie temporale utilizzando il framework ARIMA. Visualizza una serie temporale come
Base polinomiale + Componente ciclico + Casualità limitata
(Dai un'occhiata all'esempio di Weka nella risposta di pat da questo punto di vista.)
Ora la mia sensazione (e sto ancora sperimentando) è che i componenti casuali stiano interferendo con l'addestramento dell'NN. Quindi voglio evitare di tentare di prevederli direttamente.
Immagina i dati della tua serie in arrivo. Ad ogni lettura li inserisci nella tua scatola nera ARIMA, che calcola il modello sottostante e poi sputa il modello ARIMA parametri. Quindi all'istante 0 hai un set di parametri, e poi all'istante 1 hai un set aggiornato di parametri, ecc.
Nota: la scatola nera ARIMA è lenta.
Domanda 1: Sarebbe possibile per una rete neurale apprendere come cambiano questi parametri? La mia sensazione è che cambieranno lentamente, quindi potrebbe essere fattibile.
Domanda 2: Potreste addestrare una rete neurale diversa per distinguere eventuali pattern nell'errore ARIMA? Cioè Se ARIMA prevede 5.4 e la lettura successiva effettiva è 5.5, potresti addestrare una rete neurale per capirlo 0.1?