مدلسازی الگوهای زمانی کوتاه و دراز مدت با استفاده از شبکه های عصبی Deep

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

مدلسازی الگوهای زمانی کوتاه و دراز مدت با استفاده از شبکه های عصبی Deep

عنوان لاتین

Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks

پیش بینی سری های زمانی چندمتغیره، یک مساله آموزش ماشینی مهم در میان چند دامنه، شامل انرژی های خورشیدی، مصرف برق و شرایط گره ترافیکی می باشد. داده های زمانی در کاربردهای دنیای واقعی و برای رویکردهای سنتی که مدلهای اتورگرسیو (خودبازگشتی) و فرایندهای گاوسی ممکن است با شکست مواجه شوند، معمولا شامل ترکیبی از الگوهای کوتاه مدت و درازمدت می باشد. در این مقاله، چارچوب آموزشی deep جدیدی با نام شبکه سری های زمانی کوتاه و بلندمدت(LSTNet) برای اشاره به این چالش بدون پاسخ، ارائه نمودیم. LSTNet از شبکه عصبی حلقه ای(CNN) در استخراج الگوهای استقلال موضعی کوتاه مدت میان متغیرها، و از شبکه عصبی بازخوردی(بازگشتی)(RNN) در یافتن الگوها و روندهای بلندمدت استفاده می نماید. LSTNet در ارزیابی های ما از داده های دنیای واقعی با ترکیب پیچیده ای از الگوهای تکراری، به بهبود عملکردی قابل توجهی با استفاده از روشهای پایه ای تکنولوژی های جدید دست می یابد. مجموعه داده ها و آیین نامه آزمایش هر دو، در Github بارگذاری شده است.

Multivariate time series forecasting is an important machine learning problem across many domains, including predictions of solar plant energy output, electricity consumption, and traffic jam situation. Temporal data arise in these realworld applications often involves a mixture of long-term and short-term patterns, for which traditional approaches such as Autoregressive models and Gaussian Process may fail. In this paper, we proposed a novel deep learning framework, namely Long- and Short-term Time-series network (LSTNet), to address this open challenge. LSTNet uses the Convolution Neural Network (CNN) to extract short-term local dependency patterns among variables, and the Recurrent Neural Network (RNN) to discover long-term patterns and trends. In our evaluation on real-world data with complex mixtures of repetitive patterns, LSTNet achieved significant performance improvements over that of several state-of-the-art baseline methods. The dataset and experiment code both are uploaded to Github.