Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.
Time Series Forecasting using Deep Learning
A mély tanulás, amely a mély neurális hálózatokat (DNN) foglalja magában, kiváló sikereket ért el a képosztályozásban, a beszédfelismerésben stb.
A DNN-ek azonban számos kihívást jelentenek az idősoros előrejelzés (TSF) esetében, mivel a legtöbb idősoros adat nemlineáris természetű és rendkívül dinamikus viselkedésű. A TSF nagy hatással van társadalmi-gazdasági környezetünkre.
Ezért e kihívások kezeléséhez a DNN-modellt újra kell definiálni, és ezt szem előtt tartva az adatok előfeldolgozását, a hálózati architektúrát és a hálózati paramétereket figyelembe kell venni, mielőtt az adatokat a DNN-modellekbe tápláljuk. Az adatok normalizálása az alapvető adatelőfeldolgozási technika, amelyből a tanulást kell elvégezni. A TSF hatékonysága nagymértékben függ az adatok normalizálási technikájától.
Ebben a könyvben különböző normalizálási módszereket alkalmazunk az idősoros adatokon, mielőtt az adatokat betáplálnánk a DNN-modellbe, és megpróbáljuk kideríteni az egyes normalizálási technikák hatását a TSF DNN-re. Javasoljuk továbbá a mély rekurrens neurális hálózatot (DRNN) a Bombay Stock Exchange (BSE) és a New York Stock Exchange (NYSE) záróindexének előrejelzésére idősoros adatok felhasználásával.