Attualmente sto lavorando a una rete neurale per cercare di prevedere i movimenti dei prezzi dell'elettricità in una grande città con diverse compagnie elettriche tra cui scegliere. So da un amico del settore che le società energetiche basano i prezzi su una combinazione di costi e prezzi della concorrenza, il che significa che le previsioni ragionevolmente buone del prezzo futuro di una società potrebbero essere ricavate dai prezzi correnti dei concorrenti, ignorando i disastri naturali e altri forti influenze esterne.
Sembrerebbe che la rete neurale artificiale sia la migliore struttura di apprendimento automatico per questo tipo di problema, ma il problema è che ci sono più attributi rilevanti associati a ciascuna azienda. Ad esempio: le attuali tariffe elettriche, le tariffe attuali del gas (che spesso competono residentalmente), derivate e integrale di entrambi i tassi sopra citati per includere il cambiamento e il totale nel tempo e altri dettagli specifici dell'azienda, nonché l'ora del giorno corrente, il periodo dell'anno e temperatura esterna (poiché i requisiti di tempo e riscaldamento sono fattori enormi nel determinare i tassi minuto per minuto) e alcuni altri. Quindi ci sono input tipici come l'ora del giorno, il periodo dell'anno e la temperatura e ci sono anche "insiemi" di input associati a ciascuna compagnia concorrente.
In che modo questi tipi di dati possono essere inviati a una rete neurale artificiale, o addirittura una struttura ML diversa può essere preferibile su una rete neurale?