ترجمه کامپیوتر- 17 صفحه
سال 2011
A novel neural network ensemble architecture for time series forecasting
یک معماری نوین مجموعه شبکه عصبی برای پیشگویی های سری های زمانی
Iffat A. Gheyas, Leslie S. Smith
http://www.sciencedirect.com/science/article/pii/S0925231211004504
دانلود رایگان مقاله انگلیسی - شبکه عصبی برای پیشگویی های سری های زمانی
چکیده
ما شیوه نوین مجموعه شبکه عصبی همگن را که بنام شبکه عصبی بازگشتی تولید شده است، پیشگویی می کنیم. مجموعه ای برای پیشگویی سری های زمانی که مربوط به الگوریتم های موجود آموزش ماشینی است. GEFTS از یک سیستم وزنی غیر خطی دینامیکی استفاده می کند درحالی که خروجی های چندین GRNN بیس- مقدار با استفاده از یک GRNN ترکیب کننده با هم ترکیب می شوند تا بتوانند خروجی نهائی را تولید کنند. ما GEFTS را با 11 عدد الگوریتم که بیشترین استفاده را دارند و بر روی 30 مجموعه داده واقعی هستند، مقایسه می کنیم. الگوریتم پیشنهادی به گونه ای پدیدار می شود که نیرومندتر از الگوریتم های موجود باشد. برخلاف الگوریتم های مرسوم، GEFTS در پیشگویی سری های زمانی همراه با الگوهای موردی کارآ می باشد.
Abstract
We propose a novel homogeneous neural network ensemble approach called Generalized Regression Neural Network (GEFTS–GRNN) Ensemble for Forecasting Time Series, which is a concatenation of existing machine learning algorithms. GEFTS uses a dynamic nonlinear weighting system wherein the outputs from several base-level GRNNs are combined using a combiner GRNN to produce the final output. We compare GEFTS with the 11 most used algorithms on 30 real datasets. The proposed algorithm appears to be more powerful than existing ones. Unlike conventional algorithms, GEFTS is effective in forecasting time series with seasonal patterns.
Abbreviations
ACF, Autocorrelation function; ANN, Artificial Neural Networks; ARIMA, Autoregressive Integrated Moving Average; BIC, Bayesian Information Criterion; d, deseasonalized data; ERNN, Elman's Recurrent Neural Networks; GA, Genetic Algorithm; GARCH, Generalized Autoregressive Heteroskedasticity; GRNN, Generalized Regression Neural Networks; HA, Hybrid Algorithm of regression-based methods and ERNN; HC, Hill-Climbing; HES, Heterogeneous Ensemble with Simple averaging approach; HEW, Homogeneous ensemble with weighted averaging approach; HOS, Homogeneous ensemble with Simple averaging approach; HOW, Homogeneous ensemble with static Weighted averaging approach; HUX, Half Uniform Crossover; JE, Jacobs’ Ensemble; MLP, Multilayer Perceptrons; nd, non-deseasonalized data; NN, Neural Networks; PACF, Partial Autocorrelation Function; PSO, Particle Swarm Optimization; RBFN, Radial Basis Function Networks; SA, Simulated Annealing; SVM, Support Vector Machines.
Keywords
Time series forecasting; Generalized regression neural networks; Neural network ensemble; Curse of dimensionality; Deseasonalization; Dynamic nonlinear weighted voting
Recommended articles
Disaggregation & aggregation of time series components: A hybrid forecasting approach using generalized regression neural networks and the theta method
2011, Neurocomputing
Self adaptive growing neural network classifier for faults detection and diagnosis
2011, Neurocomputing
Neural network ensemble operators for time series forecasting
2014, Expert Systems with Applications