Predicción de series temporales mediante aprendizaje profundo

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Título original:

Time Series Forecasting using Deep Learning

Contenido del libro:

El aprendizaje profundo, que comprende las redes neuronales profundas (DNN), ha logrado un éxito excelente en la clasificación de imágenes, el reconocimiento del habla, etc.

Sin embargo, las DNN se enfrentan a muchos retos en la previsión de series temporales (TSF), ya que la mayoría de los datos de series temporales son de naturaleza no lineal y tienen un comportamiento muy dinámico. Las TSF tienen un gran impacto en nuestro entorno socioeconómico.

Por lo tanto, para hacer frente a estos retos, es necesario redefinir el modelo DNN y, teniendo esto en cuenta, es necesario tener en cuenta el preprocesamiento de datos, la arquitectura de red y los parámetros de red antes de introducir los datos en los modelos DNN. La normalización de datos es la técnica básica de preprocesamiento de datos a partir de la cual se realiza el aprendizaje. La eficacia de la TSF depende en gran medida de la técnica de normalización de datos.

En este libro, se utilizan diferentes métodos de normalización de datos de series temporales antes de alimentar los datos en el modelo DNN y tratamos de averiguar el impacto de cada técnica de normalización en DNN para TSF. También proponemos la Red Neuronal Recurrente Profunda (DRNN) para predecir el índice de cierre de la Bolsa de Bombay (BSE) y la Bolsa de Nueva York (NYSE) utilizando datos de series temporales.