МОДЕЛІ ГЛИБОКОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ
Ключові слова:
прогнозування часових рядів, машинне навчання, штучна нейрона мережа, моделі глибокого навчання, згорткові мережі, довга короткострокова пам’ять
Анотація
Актуальність. Прогнозування часових рядів є одним із важливих інструментів для різних сфер людської діяльності, оскільки воно дозволяє аналізувати минулі тенденції, розуміти динаміку подій та приймати обґрунтовані рішення на основі попередньо зібраних історичних даних. За останні роки моделі штучних нейронних мереж глибокого навчання показали значний потенціал у сфері прогнозування часових рядів. Метою даної роботи є аналіз використання моделей глибокого навчання для короткострокового прогнозування часових рядів різного походження та з можливою наявністю викривлень. Об’єктом дослідження є процес прогнозування часових рядів. Предметом дослідження є використання моделей глибокого навчання на основі CNN, RNN, TCNN та LSTM архітектур для прогнозування часових рядів. Результати. Експериментальні дослідження показали, що прогнози нестаціонарних часових рядів за допомогою штучної нейронної мережи на основі архітектури LSTM виявились найближчими до реальних даних, порівняно з іншими моделями глибокого навчання. Висновок. Отримані результати у більшості випадків підтверджують перевагу використання моделей на основі LSTM перед іншими розглянутими моделями глибокого навчання для прогнозування часових рядівЗавантаження
Дані про завантаження поки що недоступні.
Посилання
1. Chatfield C. (2000), “Time-Series Forecasting”, Chapman and Hall, P. 280.
2. Lin Y., Korsinska Y., Rana M. (2021), “Temporal Convolutional Attention Neural Networks for Time Series Forecasting”, International Joint Conference on Neural Networks, pp. 236-238.
3. Pedro H., Coimbra C. (2012), “Assessment of forecasting techniques for solar power production with no exogenous inputs”, Solar Energy, № 86(7), pp. 2017-2028.
4. Amin Salih Mohammed, Ivashchenko H., Filimonchuk T., Ivanisenko I., Barkovska O. (2020) “Green Hybrid Models Based on Clonal Selection and Case-based Reasoning for Short-term Time Series Forecasting”, Journal of Green Engineering, vol. 10, issue 5, pp. 2139-2154.
5. Shahin A. (2021), “Deep Learning BiLSTM Encoding-Decoding Model for COVID-19 Pandemic Spread Forecasting”, Fractal and Fractional, №4. pp. 175-176.
6. Marzouka M. (2021), “Deep learning model for forecasting COVID-19 outbreak in Egypt”, Process Safety and Environmental Protection, № 153, pp. 363-375.
7. Rangapuram S., Seeger M., Gasthaus D., Stella L., Wang Y, Januschowski T. (2018), “Deep state space models for time series forecasting”, Proceedings of the Conference on Neural Information Processing Systems (NeurIPS), P. 10.
8. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A., Kaiser Ł., Polosukhin I. (2017), “Attention is all you need”, Proceedings of the Conference on Neural Information Processing Systems (NeurIPS), P. 11.
9. Derbentsev V., Matviychuk A., Datsenko N., Bezkorovainyi V., Azaryan A. (2020), “Machine learning approaches for financial time series forecasting”, Proceedings of the Selected Papers of the Special Edition of International Conference on Monitoring, Modeling & Management of Emergent Economy, № 2713, Odessa, Ukraine, pp. 434-450.
10. Hemmati A., Abdoos M., Akbar A. (2015), “Short term load forecasting using a hybrid intelligent method”, Knowledge-Based System, № 76, pp. 139-147.
11. Voyant C., Nivet M., Paoli C., Muselli M., Notton G. (2014), “Meteorological time series forecasting based on MLP modelling using heterogeneous transfer functions”, Journal of Physics: Conference Series, № 574, Madrid, Spain, pp. 28-31
12. Khan S., Rahmani H., Ali Shakh S. A., Bennamoun M (2018), “Guide to Convolutional Neural Networks for Computer Vision”, Morgan & Claypool Publishers, P. 207.
13. Goodfellow I., Bengio Y., Courville A (2016), “Deep Learning (Adaptive Computation and Machine Learning series)”, The MIT Press, P. 775.
14. Greff, K., Srivastava, R., Koutnik, J., Steunebrink, B., Schmidhuber, J. (2017), “LSTM: A Search Space Odyssey”, IEEE Transactions on Neural Networks and Learning Systems, № 28, pp. 2222-2232.
15. Breiman L. (2001), “Random forests”, Machine learning, № 45(1), pp. 5-32.
2. Lin Y., Korsinska Y., Rana M. (2021), “Temporal Convolutional Attention Neural Networks for Time Series Forecasting”, International Joint Conference on Neural Networks, pp. 236-238.
3. Pedro H., Coimbra C. (2012), “Assessment of forecasting techniques for solar power production with no exogenous inputs”, Solar Energy, № 86(7), pp. 2017-2028.
4. Amin Salih Mohammed, Ivashchenko H., Filimonchuk T., Ivanisenko I., Barkovska O. (2020) “Green Hybrid Models Based on Clonal Selection and Case-based Reasoning for Short-term Time Series Forecasting”, Journal of Green Engineering, vol. 10, issue 5, pp. 2139-2154.
5. Shahin A. (2021), “Deep Learning BiLSTM Encoding-Decoding Model for COVID-19 Pandemic Spread Forecasting”, Fractal and Fractional, №4. pp. 175-176.
6. Marzouka M. (2021), “Deep learning model for forecasting COVID-19 outbreak in Egypt”, Process Safety and Environmental Protection, № 153, pp. 363-375.
7. Rangapuram S., Seeger M., Gasthaus D., Stella L., Wang Y, Januschowski T. (2018), “Deep state space models for time series forecasting”, Proceedings of the Conference on Neural Information Processing Systems (NeurIPS), P. 10.
8. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A., Kaiser Ł., Polosukhin I. (2017), “Attention is all you need”, Proceedings of the Conference on Neural Information Processing Systems (NeurIPS), P. 11.
9. Derbentsev V., Matviychuk A., Datsenko N., Bezkorovainyi V., Azaryan A. (2020), “Machine learning approaches for financial time series forecasting”, Proceedings of the Selected Papers of the Special Edition of International Conference on Monitoring, Modeling & Management of Emergent Economy, № 2713, Odessa, Ukraine, pp. 434-450.
10. Hemmati A., Abdoos M., Akbar A. (2015), “Short term load forecasting using a hybrid intelligent method”, Knowledge-Based System, № 76, pp. 139-147.
11. Voyant C., Nivet M., Paoli C., Muselli M., Notton G. (2014), “Meteorological time series forecasting based on MLP modelling using heterogeneous transfer functions”, Journal of Physics: Conference Series, № 574, Madrid, Spain, pp. 28-31
12. Khan S., Rahmani H., Ali Shakh S. A., Bennamoun M (2018), “Guide to Convolutional Neural Networks for Computer Vision”, Morgan & Claypool Publishers, P. 207.
13. Goodfellow I., Bengio Y., Courville A (2016), “Deep Learning (Adaptive Computation and Machine Learning series)”, The MIT Press, P. 775.
14. Greff, K., Srivastava, R., Koutnik, J., Steunebrink, B., Schmidhuber, J. (2017), “LSTM: A Search Space Odyssey”, IEEE Transactions on Neural Networks and Learning Systems, № 28, pp. 2222-2232.
15. Breiman L. (2001), “Random forests”, Machine learning, № 45(1), pp. 5-32.
Опубліковано
2024-02-09
Як цитувати
Ivashchenko Heorhii Моделі глибокого навчання для прогнозування часових рядів / Heorhii Ivashchenko, Daria Tymoshenko, Oleksandr Blyzniuk, Oleksandr Kononenko // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2024. – Т. 1 (75). – С. 82-87. – doi:https://doi.org/10.26906/SUNZ.2024.1.082.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
