دانلود مقاله انگلیسی رایگان:پیش بینی پیش بینی پایگاه داده های سری زمانی با استفاده از شبکه های عصبی مکرر در گروه های مشابه سری: یک روش خوشه بندی - 2020
سیزه به در
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Forecasting across time series databases using recurrent neural networks on groups of similar series: A clustering approach Forecasting across time series databases using recurrent neural networks on groups of similar series: A clustering approach
    Forecasting across time series databases using recurrent neural networks on groups of similar series: A clustering approach

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Forecasting across time series databases using recurrent neural networks on groups of similar series: A clustering approach


    ترجمه فارسی عنوان مقاله:

    پیش بینی پیش بینی پایگاه داده های سری زمانی با استفاده از شبکه های عصبی مکرر در گروه های مشابه سری: یک روش خوشه بندی


    منبع:

    Sciencedirect - Elsevier - Expert Systems With Applications, 140 (2020) 112896: doi:10:1016/j:eswa:2019:112896


    نویسنده:

    Kasun Bandara a , ∗, Christoph Bergmeir a , Slawek Smyl b


    چکیده انگلیسی:

    With the advent of Big Data, nowadays in many applications databases containing large quantities of sim- ilar time series are available. Forecasting time series in these domains with traditional univariate fore- casting procedures leaves great potentials for producing accurate forecasts untapped. Recurrent neural networks (RNNs), and in particular Long Short Term Memory (LSTM) networks, have proven recently that they are able to outperform state-of-the-art univariate time series forecasting methods in this context, when trained across all available time series. However, if the time series database is heterogeneous, ac- curacy may degenerate, so that on the way towards fully automatic forecasting methods in this space, a notion of similarity between the time series needs to be built into the methods. To this end, we present a prediction model that can be used with different types of RNN models on subgroups of similar time series, which are identified by time series clustering techniques. We assess our proposed methodology using LSTM networks, a widely popular RNN variant, together with various clustering algorithms, such as kMeans, DBScan, Partition Around Medoids (PAM), and Snob. Our method achieves competitive results on benchmarking datasets under competition evaluation procedures. In particular, in terms of mean sMAPE accuracy it consistently outperforms the baseline LSTM model, and outperforms all other methods on the CIF2016 forecasting competition dataset.
    Keywords: Big data forecasting | RNN | LSTM | Time series clustering | Neural networks


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 16
    حجم فایل: 749 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi