Previsione delle serie temporali con l'apprendimento profondo

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Time Series Forecasting using Deep Learning

Contenuto del libro:

L'apprendimento profondo, che comprende le reti neurali profonde (DNN), ha ottenuto ottimi risultati nella classificazione delle immagini, nel riconoscimento vocale, ecc.

Tuttavia, le DNN presentano molte difficoltà nella previsione delle serie temporali (TSF), poiché la maggior parte dei dati delle serie temporali sono di natura non lineare e hanno un comportamento altamente dinamico. I TSF hanno un grande impatto sul nostro ambiente socio-economico.

Per questo motivo, per affrontare queste sfide è necessario ridefinire il modello DNN e, tenendo conto di ciò, è necessario considerare la pre-elaborazione dei dati, l'architettura della rete e i parametri della rete prima di inserire i dati nei modelli DNN. La normalizzazione dei dati è la tecnica di pre-elaborazione di base per l'apprendimento. L'efficacia dei TSF dipende fortemente dalla tecnica di normalizzazione dei dati.

In questo libro, vengono utilizzati diversi metodi di normalizzazione dei dati delle serie temporali prima di inserirli nel modello DNN e si cerca di scoprire l'impatto di ciascuna tecnica di normalizzazione sul modello DNN per TSF. Proponiamo inoltre la Deep Recurrent Neural Network (DRNN) per prevedere l'indice di chiusura della Borsa di Bombay (BSE) e della Borsa di New York (NYSE) utilizzando i dati delle serie temporali.