Особливості застовування нейронних мереж прямого розповсюдження для прогнозування часових рядів
Вантажиться...
Дата
2016
Автори
Каштальян, А.С.
Kashtalian, A.S.
Назва журналу
Номер ISSN
Назва тому
Видавець
Хмельницький національний університет
Анотація
Стаття присвячена нейромережевому підходу прогнозування часових рядів. Розглянуто структуру
нейронної мережі прямого розповсюдження, призначеної для прогнозування часових рядів, що являє собою
нелінійну авторегресійну мережу з зовнішніми входами. Розглянуто вплив параметрів даної нейронної мережі та
розмірів навчальної вибірки на здатність мережі до навчання. Основна увага приділена глибині занурення в ряд.
Показано, що при недостатній глибині занурення нейронна мережа не здатна навчатися, в прогнозованих
значеннях спостерігається відставання на горизонт прогнозування; натомість велика глибина занурення
призводить до перенавчання мережі. В статті запропоновано підхід до побудови навчальної вибірки з
оптимальними значеннями глибини занурення, достатньої для того, щоб навчити нейронну мережу
прогнозувати часовий ряд і одночасно уникнути перенавчання.
Abstract. The article is devoted to neural network technique for time series forecasting. Time series forecasting is an important task in physics, biology, economics, etc. A structure of feedforward neural network for time series prediction is considered, it represents nonlinear autoregressive network with external inputs. An influence of given neural network parameters and training set size on network ability to training is regarded. The main attention is paid to an immersion depth into a series. It is pointed that a neural network cannot be trained with an insufficient immersion depth, it observes predicted values lag behind real values on the prediction horizon. Instead a large immersion depth leads to network overfitting. The approach to creating of the training set with optimal values of immersion depth which is sufficient to train neural network to predict a time series and at the same time to avoid overfitting is suggested.
Abstract. The article is devoted to neural network technique for time series forecasting. Time series forecasting is an important task in physics, biology, economics, etc. A structure of feedforward neural network for time series prediction is considered, it represents nonlinear autoregressive network with external inputs. An influence of given neural network parameters and training set size on network ability to training is regarded. The main attention is paid to an immersion depth into a series. It is pointed that a neural network cannot be trained with an insufficient immersion depth, it observes predicted values lag behind real values on the prediction horizon. Instead a large immersion depth leads to network overfitting. The approach to creating of the training set with optimal values of immersion depth which is sufficient to train neural network to predict a time series and at the same time to avoid overfitting is suggested.
Опис
Ключові слова
часовий ряд, прогнозування, нейронні мережі прямого розповсюдження, глибина занурення, time series, forecasting, feedforward neural networks, immersion depth
Бібліографічний опис
Каштальян, А.С. Особливості застовування нейронних мереж прямого розповсюдження для прогнозування часових рядів [Текст] / А. С. Каштальян // Вісник Хмельницького національного університету. Технічні науки. – 2016. – № 6. – С. 210-215.