Prognozowanie szeregów czasowych przy użyciu głębokiego uczenia

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Time Series Forecasting using Deep Learning

Zawartość książki:

Głębokie uczenie, które obejmuje głębokie sieci neuronowe (DNN), osiągnęło doskonały sukces w klasyfikacji obrazów, rozpoznawaniu mowy itp.

Jednak DNN borykają się z wieloma wyzwaniami związanymi z prognozowaniem szeregów czasowych (TSF), ponieważ większość danych szeregów czasowych ma charakter nieliniowy i jest bardzo dynamiczna. TSF ma ogromny wpływ na nasze środowisko społeczno-gospodarcze.

W związku z tym, aby poradzić sobie z tymi wyzwaniami, model DNN musi zostać przedefiniowany, a mając to na uwadze, przed wprowadzeniem danych do modeli DNN należy wziąć pod uwagę wstępne przetwarzanie danych, architekturę sieci i parametry sieci. Normalizacja danych jest podstawową techniką wstępnego przetwarzania danych, na podstawie której należy przeprowadzić uczenie. Skuteczność TSF w dużej mierze zależy od techniki normalizacji danych.

W tej książce zastosowano różne metody normalizacji danych szeregów czasowych przed wprowadzeniem danych do modelu DNN i próbujemy dowiedzieć się, jaki wpływ ma każda technika normalizacji na DNN dla TSF. Proponujemy również Deep Recurrent Neural Network (DRNN) do przewidywania indeksu zamknięcia Bombay Stock Exchange (BSE) i New York Stock Exchange (NYSE) przy użyciu danych szeregów czasowych.