時序數據的神經網路是什麼

A. 對於時序隨機數據用什麼神經網路做處理

將歷史數據作為樣本訓練，最後用一組對應的樣本作為輸入，輸出自然是未來數據。神經網路預測就是這么做的。
對商品價格變動的分析，可歸結為對影響市場供求關系的諸多因素的綜合分析。傳統的統計經濟學方法因其固有的局限性，難以對價格變動做出科學的預測，而人工神經網路容易處理不完整的、模糊不確定或規律性不明顯的數據，所以用人工神經網路進行價格預測是有著傳統方法無法相比的優勢。從市場價格的確定機制出發，依據影響商品價格的家庭戶數、人均可支配收入、貸款利率、城市化水平等復雜、多變的因素，建立較為准確可靠的模型。該模型可以對商品價格的變動趨勢進行科學預測，並得到准確客觀的評價結果。

B. 可視化時序數據時，目標是看到什麼

以下幾個因素供考慮：
一、溝通能力：
數據可視化是工具，而不是目的。通過對數據可視化的分析，一定要解決以下幾個問題之一：
1、增加市場機會--增加銷售額
2、提高運營效率--增加利潤
3、降低風險。
如果數據可視化的展示，不能向用戶提供這三個問題的解決方案，再好的可視化展示也沒有意義。
所以，在接手可視化項目之前，最先要了解客戶要解決什麼問題。同時，要了解客戶的數據來源有哪些。這些工作，都是可視化成功的保證。
二、工具的選擇：
不同的可視化工具，帶給客戶不同的感受，應該選擇哪些可以和客戶快速互動的產品，可視化是手段，不是目的。切忌不要為了可視化的效果，而忽略了要解決的問題。
三、要給出可以衡量的結論：
利用可視化的數據，要給客戶講出一個符合邏輯的故事，這個故事的結論，應當是可以衡量的。
可以簡單的記成一個詞：SMART
specific、maruable、attainable、ralevent、time-bound.
可視化成功最重要的是要提前進行交流

C. 時間序列模型和神經網路模型有何區別

時間序列模型是指採用某種演算法（可以是神經網路、ARMA等）模擬歷史數據，找出其中的變化規律，
神經網路模型是一種演算法，可以用於分類、聚類、預測等等不用領域；

兩者一個是問題模型，一個是演算法模型

D. 是一種處理時序數據的神經網路,常用於語音識別,機器翻譯等領域

LSTM（Long Short-Term Memory）是長短期記憶網路，是一種時間循環神經網路，適合於處理和預測時間序列中間隔和延遲相對較長的重要事件。長短期記憶（Long short-term memory, LSTM）是一種特殊的RNN，主要是為了解決長序列訓練過程中的梯度消失和梯度爆炸問題。簡單來說，就是相比普通的RNN，LSTM能夠在更長的序列中有更好的表現。
LSTM 已經在科技領域有了多種應用。基於 LSTM 的系統可以學習翻譯語言、控制機器人、圖像分析、文檔摘要、語音識別圖像識別、手寫識別、控制聊天機器人、預測疾病、點擊率和股票、合成音樂等等任務。

E. 是一種處理時序數據的神經網路,常用於語音識別,機器翻譯等領域

搜一下：是一種處理時序數據的神經網路,常用於語音識別,機器翻譯等領域

F. 神經網路是什麼 歸一化又怎麼還原

神經網路是一種數據處理工具，或者叫數據處理方法。可以說是一種利用少量數據建立起一個帶有誤差的數據網路的一種方法，具體的建議你看一下這方面的ppt，在網路文庫里可以找到很多ppt。
歸一化之後如果要把數據取出來可以反歸一化，用歸一化的公式反過來推一下，反歸一化公式就出來了。

G. 神經網路可以用來預測時間序列嗎

神經網路是可以用來預測時間序列。例如神經網路人口預測。已知1990至2009年的某地區人口數[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128]。預測2010-2016年的某地區人口數。

具體實施過程：

%已知數據

t=1990:2009;

x=[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128];

% 自回歸階數

lag=3;

%預測步數為fn

fn=length(t);

%輸出數據

[f_out,iinput]=BP(x,lag,fn); %BP（）神經網路預測函數

[x' iinput']

R2=corrcoef(x,iinput)

%預測年份或某一時間段

%t1=2015:2016;

t1=length(x)+1:length(x)+7;

%預測步數為fn

fn=length(t1);

[f_out,iinput]=BP(x,lag,fn);

P=vpa(f_out,5);

%預測數據

t1=2010:2016;

[t1' P']

% 畫出預測圖

figure(6),plot(t,x,'b*-'),hold on

plot(t(end):t1(end),[iinput(end),f_out],'rp-'),grid on

title('BP神經網路預測某地區人口數')

xlabel('年份'),ylabel('人口數');

legend('2009-2014年人口變化數','2014-2016年人口預測數');

H. 【神經網路時間序列】請教NAR網路預測問題，謝謝

NAR網路是只有y(t),NARX網路是有x(t)和y(t).
對於NAR網路來說，其只能夠輸出相對於延遲向量的下一個值。故需要用循環不斷更新集合，把時間步往前推進。

T=tonndata(force,false,false); %輸入和輸出矩陣須為cell類型的矩陣，且不能用num2cell來轉換，如果使用二維cell矩陣，將會被認為是兩個輸入從而不能訓練.假設force數據集只有50個（一行）。
force_raw=T(1:30); %創造一個1*30的Xi，與延遲向量1:30對應起來。為已知矩陣。
for j=1:50 %y1的前20個是對照著force裡面第31個到50個，加上可以預測後面30個數據。
y1(j)=net(T(10),force_raw); %這里還需要大神指教，T（10）裡面是當前矩陣，數字可以任意取，結果都一樣。只是為了輸出一維矩陣
force_raw=[force_raw(2:end),y1(j)]; %更新得到新的已知矩陣，為2,3~,30,31，下一步第一行應該是得到第43個。 不斷更新即可得到預測值。

I. 時序資料庫是什麼解決什麼問題的主要應用那些行業

時序資料庫是一種按照時間存儲的資料庫。
解決是海量數據的高效插入查詢。
應用在互聯網的大規模數據統計分析上面，物聯網的信息收集方面。

時間點對於時序資料庫非常重要，而高吞吐量決定了它存在的價值。