Сравнительный анализ нейросетевой и регрессионных моделей прогнозирования временных рядов
https://doi.org/10.38086/2522-9613-2019-2-60-68
Аннотация
Рассмотрена и исследована возможность применения нейронных сетей при решении задачи прогнозирования временных рядов. Для этого было осуществлено обучение нейронной сети для различных рядов с предварительным подбором оптимального набора гиперпараметров. Проведён сравнительный анализ полученной нейросетевой прогностической модели c линейной регрессией и авторегрессией, построенными методом наименьших квадратов. Выявлены условия, влияющие на точность и устойчивость результатов нейронной сети.
Об авторе
С. В. Шолтанюк
Белорусский государственный университет
Беларусь
Беларусь
Ассистент кафедры компьютерных технологий и систем ФПМИ
пр. Независимости, д. 4, 220030 , г. Минск
Список литературы
1. Чучуева, И. А. Модель прогнозирования временных рядов по выборке максимального подобия : дис. … канд. тех. наук : 05.13.18 / И. А. Чучуева ; Московский государственный технический университет им. Н. Э. Баумана. – М., 2012. – 155 л.
2. Hornik, K. Multilayer feedforward networks are universal approximators / K. Hornik, M. Stinchcombe, H. White // Neural Networks – 1989. – Vol. 2, iss. 5. – Pp. 359–366.
3. Bengio, Y. Scaling learning algorithms towards AI / Y. Bengio, Y. LeCun // Large-Scale Kernel Machines / L. Bottou [et al.] – Cambridge, MA : MIT Press, 2007. – Pp. 323–362.
4. R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL: https://www.R-project.org/. – Date of access: 19.01.2019.
5. JJ Allaire and Francois Chollet (2018). keras: R Interface to 'Keras'. R package version 2.2.0. https://CRAN.R-project.org/package=keras. – Date of access: 19.01.2019.
6. Duchi, J. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization / J. Duchi, E. Hazan, Y. Singer // Journal of Machine Learning Research – 2011. – Vol. 12 – P. 2121–2159.
7. Ruder, S. An overview of gradient descent optimisation algorithms [Electronic resource] / S. Ruder // arXiv.org e-Print archive – Mode of access: https://arxiv.org/abs/1609.04747. – Date of access: 19.01.2019. – (Preprint / arXiv:1609.04747v2).
Рецензия
Для цитирования:
Шолтанюк С.В. Сравнительный анализ нейросетевой и регрессионных моделей прогнозирования временных рядов. Цифровая трансформация. 2019;(2):60-68. https://doi.org/10.38086/2522-9613-2019-2-60-68
For citation:
Sholtanyuk S.V. Comparative Analysis of Neural Networking and Regression Models for Time Series Forecasting. Digital Transformation. 2019;(2):60-68. (In Russ.) https://doi.org/10.38086/2522-9613-2019-2-60-68
Просмотров: 4939
Послать статью по эл. почте 