Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Time Series Forecasting using Deep Learning
Deep Learning, das Deep Neural Networks (DNNs) umfasst, hat hervorragende Erfolge bei der Bildklassifizierung, Spracherkennung usw. erzielt.
Aber DNNs leiden unter vielen Herausforderungen bei der Zeitreihenvorhersage (TSF), da die meisten Zeitreihendaten nichtlinearer Natur und hochdynamisch im Verhalten sind. TSF hat einen großen Einfluss auf unser sozioökonomisches Umfeld. Um diese Herausforderungen zu bewältigen, muss das DNN-Modell neu definiert werden.
Vor diesem Hintergrund müssen die Vorverarbeitung der Daten, die Netzwerkarchitektur und die Netzwerkparameter berücksichtigt werden, bevor die Daten in die DNN-Modelle eingespeist werden. Die Normalisierung der Daten ist die grundlegende Technik der Datenvorverarbeitung, auf deren Grundlage das Lernen erfolgen soll.
Die Effektivität von TSF hängt stark von der Daten-Normalisierungstechnik ab. In diesem Buch werden verschiedene Normalisierungsmethoden auf Zeitreihendaten angewandt, bevor die Daten in das DNN-Modell eingespeist werden, und wir versuchen, die Auswirkungen der einzelnen Normalisierungstechniken auf DNN für TSF herauszufinden.
Wir schlagen auch das Deep Recurrent Neural Network (DRNN) vor, um den Schlussindex der Bombay Stock Exchange (BSE) und der New York Stock Exchange (NYSE) anhand von Zeitreihendaten vorherzusagen.
| ISBN: | 9783330046160 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
