اثربخشی LSTM برای پیش بینی شاخص های بازار: معیار مقایسه ای با رگرسیون SVM

فرضیه بازار کارآمد بیان می کند که بازارها خود اصلاح هستند و پیش بینی آنها هر زمان غیرممکن است. در عصری که یادگیری ماشین و الگوریتم های محاسبات طبیعی دارای برنامه های مختلفی هستند ، ما اثربخشی پیش بینی LSTM ها را در داده های سری زمانی داخلی برای قیمت پیش بینی شاخص FTSE 100 (انگلستان) آزمایش می کنیم. در مطالعه ما ، ما 2 معماری یادگیری عمیق با LSTM ایجاد کرده ایم و از رگرسیون دستگاه بردار پشتیبانی و رگرسیون خطی چند متغیره برای معیار نتایج و مقایسه استفاده کرده ایم. ما با قیمت های خام در مجموعه داده ها شروع می کنیم و بعداً برخی از شاخص های فنی را نیز درج می کنیم. کمی از مهندسی ویژگی ها نیز با استفاده از خوشه بندی K-Mean تلاش می شود. ما آزمایشات خود را با دقت طراحی کرده ایم تا به یک سطح بهینه از دقت برسیم که در آن الگوریتم "یاد می گیرد" و صرفاً "مجموعه داده" را به خاطر نمی آورد. از این رو ، مبادله هایی برای قربانی کردن ارزش های RMSE به منظور داشتن حسن بهتر بودن مناسب انجام شده است.

مقالات مرتبط

بارگیری رایگان PDF PDF

در یک محیط به سرعت در حال نوآوری ، تکامل فناوری سریع و پیچیده تر می شود. یکی از این نوآوری ها ، هوش مصنوعی (AI) است که ماشین ها را قادر می سازد مانند انسان فکر کنند و عمل کنند. الگوریتم های یادگیری ماشین (ML) یک گروه از هوش مصنوعی هستند که ماشین آلات را برای یادگیری فرآیندهای خاص و استفاده از این دانش برای ارائه خروجی آموزش می دهند. به دلیل وضعیت ابتکاری آنها ، روشهای ML در بازارهای مالی شروع به استفاده و آزمایش می کنند. با توجه به علاقه فزاینده به هوش مصنوعی ، این تحقیق از روشهای ML ، شبکه های عصبی مصنوعی (ANN) و دستگاه های بردار پشتیبانی (SVM) استفاده می کند تا شاخص های سهام ASEAN را با کمک شاخص های همبسته آنها پیش بینی کند. این رویکردهای ML با روشهای پیش بینی سنتی - ARIMA و رگرسیون خطی مقایسه می شوند. به دنبال چندین آزمایش دقت ، نتایج نشان می دهد که به طور کلی ، الگوریتم های ML پیش بینی های بهتری نسبت به روش های سنتی ایجاد می کنند. علاوه بر این ، در بین روش های ML ، پیش بینی های SVM مطلوب ترین است.

بارگیری رایگان PDF PDF

پیش بینی روش های نظارت بر فرآیند کسب و کار از پرونده های تکمیل شده یک فرآیند به منظور پیش بینی در مورد موارد در حال اجرا استفاده می کند. روشهای موجود در این فضا برای کارهای پیش بینی خاص متناسب است. علاوه بر این ، دقت نسبی آنها نسبت به مجموعه داده های موجود بسیار حساس است ، بنابراین کاربران را ملزم می کند که هنگام استفاده از آنها در یک تنظیم خاص ، در آزمایش و خطا و تنظیم شرکت کنند. این مقاله به بررسی شبکه های عصبی حافظه کوتاه مدت (LSTM) به عنوان رویکردی برای ساخت مدلهای دقیق و دقیق برای طیف گسترده ای از کارهای نظارت بر فرآیند قبل از تصمیم گیری می پردازد. اول ، ما نشان می دهیم که LSTMS از تکنیک های موجود برای پیش بینی رویداد بعدی یک مورد در حال اجرا و زمان بندی آن بهتر عمل می کند. در مرحله بعد ، ما نشان می دهیم که چگونه می توان از مدل ها برای پیش بینی کار بعدی استفاده کرد تا پیش بینی کامل یک مورد در حال اجرا شود. سرانجام ، ما برای پیش بینی زمان باقیمانده از همان رویکرد استفاده می کنیم و نشان می دهیم که این رویکرد از روشهای خیاطی موجود بهتر عمل می کند.

بارگیری رایگان PDF PDF

بارگیری رایگان PDF View PDFPREDICIVE PROCESSION PROCESSION PROCESSION MATERSING METHERNS OFFORE OLLS OF COMPLED OF A LECK به منظور پیش بینی در مورد موارد در حال اجرا. روشهای موجود در این فضا برای کارهای پیش بینی خاص متناسب است. علاوه بر این ، دقت نسبی آنها نسبت به مجموعه داده های موجود بسیار حساس است ، بنابراین کاربران را ملزم می کند که هنگام استفاده از آنها در یک تنظیم خاص ، در آزمایش و خطا و تنظیم شرکت کنند. این مقاله به بررسی شبکه های عصبی حافظه کوتاه مدت (LSTM) به عنوان رویکردی برای ساخت مدلهای دقیق و دقیق برای طیف گسترده ای از کارهای نظارت بر فرآیند قبل از تصمیم گیری می پردازد. اول ، ما نشان می دهیم که LSTMS از تکنیک های موجود برای پیش بینی رویداد بعدی یک مورد در حال اجرا و زمان بندی آن بهتر عمل می کند. در مرحله بعد ، ما نشان می دهیم که چگونه می توان از مدل ها برای پیش بینی کار بعدی استفاده کرد تا پیش بینی کامل یک مورد در حال اجرا شود. سرانجام ، ما برای پیش بینی زمان باقیمانده از همان رویکرد استفاده می کنیم و نشان می دهیم که این رویکرد از روشهای خیاطی موجود بهتر عمل می کند.

بارگیری رایگان PDF PDF

LTE در طیف بدون مجوز (LTE-U) یک رویکرد امیدوار کننده برای غلبه بر کمبود طیف بی سیم است. با این حال ، برای به دست آوردن مزایای LTE-U ، یک مکانیسم همزیستی منصفانه با سایر استقرارهای WiFi فعلی لازم است. در این مقاله ، یک رویکرد یادگیری عمیق جدید برای مدل سازی مشکل تخصیص منابع ایستگاه های پایه کوچک LTE-U (SBSS) ارائه شده است. رویکرد پیشنهادی چندین SBS را قادر می سازد تا انتخاب کانال پویا ، تجمع حامل و دسترسی به طیف کسری را انجام دهند و در عین حال تضمین انصاف با شبکه های WiFi موجود و سایر اپراتورهای LTE-U را انجام دهند. اتخاذ یک مکانیسم همزیستی پیشگیرانه امکان ایجاد تاخیر در تأخیر در آینده خواسته های داده های LTE-U را در یک پنجره پیش بینی معین پیش از زمان ورود واقعی آنها فراهم می کند ، بنابراین از استفاده کمبود طیف بدون مجوز در ساعات خارج از اوج خودداری می کند در حالی که به حداکثر رساندن کل خدمت LTE-U می پردازد. بار ترافیکبرای این منظور ، یک مدل بازی غیر عملیاتی تدوین شده است که در آن SBSS به عنوان عوامل Homo Egualis مدل می شود که هدف از پیش بینی توالی اقدامات آینده و در نتیجه دستیابی به انصاف وزنی برابر با WLAN و سایر اپراتورهای LTE-U در یک افق زمانی معین است. بشرالگوریتم یادگیری عمیق پیشنهادی پس از همگرا نشان داده می شود که به یک تعادل Nash (NE) استراتژی (NE) می رسد. نتایج شبیه سازی با استفاده از آثار داده های واقعی نشان می دهد که طرح پیشنهادی به ترتیب می تواند تا 28 ٪ و 11 ٪ دستاوردهای نسبت به یک روش واکنشی معمولی و یک مکانیسم همزیستی منصفانه متناسب داشته باشد. نتایج همچنین نشان می دهد که چارچوب پیشنهادی مانع از تخریب عملکرد WiFi برای یک شبکه LTE-U متراکم مستقر می شود.

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

معاملات IEEE در شبکه های عصبی و سیستم های یادگیری

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

فتوولتائیک (PV) یکی از امیدوار کننده ترین منابع انرژی تجدید پذیر است. برای اطمینان از عملکرد ایمن و ادغام اقتصادی PV در شبکه های هوشمند ، پیش بینی دقیق قدرت PV یک مسئله مهم است. در این مقاله ، ما استفاده از شبکه عصبی مکرر حافظه کوتاه مدت (LSTM-RNN) را برای پیش بینی دقیق قدرت خروجی سیستم های PV پیشنهاد می کنیم. شبکه های LSTM می توانند به دلیل معماری مکرر و واحدهای حافظه ، تغییرات زمانی در قدرت خروجی PV را مدل کنند. روش پیشنهادی با استفاده از مجموعه داده های ساعتی از سایت های مختلف به مدت یک سال ارزیابی می شود. ما روش پیشنهادی را با سه روش پیش بینی PV مقایسه می کنیم. استفاده از LSTM کاهش بیشتر خطای پیش بینی را در مقایسه با روش های دیگر ارائه می دهد. روش پیش بینی پیشنهادی می تواند ابزاری مفید برای برنامه ریزی و کنترل شبکه های هوشمند باشد.

بارگیری رایگان PDF PDF

با ظهور داده های بزرگ ، امروزه در بسیاری از پایگاه داده های برنامه های کاربردی حاوی مقادیر زیادی از سری زمانی مشابه موجود است. پیش بینی سری زمانی در این حوزه ها با رویه های پیش بینی تک متغیره سنتی پتانسیل های بزرگی را برای تولید پیش بینی های دقیق استفاده نمی کند. شبکه های عصبی مکرر (RNNS) ، و به ویژه شبکه های حافظه کوتاه مدت بلند (LSTM) ، اخیراً ثابت کرده اند که آنها قادر به پیشبرد روشهای پیش بینی سری زمانی متغیرهای برتر در این زمینه هستند که در تمام زمان های موجود آموزش می بینندسلسله. با این حال ، اگر پایگاه داده سری زمانی ناهمگن باشد ، ممکن است دقت تخریب شود ، به طوری که در راه به سمت روشهای پیش بینی کاملاً اتوماتیک در این فضا ، مفهوم شباهت بین سری زمانی باید در روش ها ساخته شود. برای این منظور ، ما یک مدل پیش بینی را ارائه می دهیم که می تواند با انواع مختلف مدل های RNN در زیر گروه های سری زمانی مشابه ، که توسط تکنیک های خوشه بندی سری زمانی مشخص می شوند ، استفاده شود. ما روش پیشنهادی خود را با استفاده از شبکه های LSTM ، یک نوع RNN بسیار محبوب ارزیابی می کنیم. روش ما به نتایج رقابتی در مجموعه داده های معیار تحت روشهای ارزیابی رقابت می رسد. به طور خاص ، از نظر میانگین دقت SMAPE ، به طور مداوم از مدل LSTM پایه بهتر عمل می کند و از سایر روش های دیگر در مجموعه داده های رقابت پیش بینی CIF2016 بهتر عمل می کند.