Author:
Пелещак Іван,Литвиненко Юлія
Abstract
Проблема точного прогнозування часових рядів завжди є актуальною. У цій роботі приведено результати прогнозування зміни часового ряду на основі датасету Yahoo! Finance за допомогою рекурентної нейронної мережі з LSTM (long short-term memory) блоками. Алгоритм навчання рекурентної нейронної мережі з LSTM блоками здійснювався із використанням оптимізатора Adam. Досліджено вплив кількості блоків LSTM рекурентної нейронної мережі на точність прогнозування часового ряду. Показано, що значення метрики MAPE в залежності від числа блоків LSTM на інтервалі від 70 до 350 має немонотонний характер. Визначено оптимальну кількість блоків LSTM, за якої значення метрики є мінімальним. Зокрема, встановлено, що коли число блоків LSTM є 250 значення метрики MAPE дорівнює 1.9%.
Publisher
Scientific Publishing Center InterConf
Reference6 articles.
1. Ralf C. Staudemeyer, Eric Rothstein Morris. Understanding LSTM - a tutorial into Long Short-Term Memory Recurrent Neural Networks // Neural and Evolutionary Computing, 2019. https://doi.org/10.48550/arXiv.1909.09586
2. Gülmez B. Stock price prediction with optimized deep LSTM network with Artificial Rabbits Optimization Algorithm. Expert Systems with Applications. 2023. P. 120346. URL: https://doi.org/10.1016/j.eswa.2023.120346.
3. Alex Sherstinsky. Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) Network // Physica D: Nonlinear Phenomena, 2020, Vol. 404. Special Issue on Machine Learning and Dynamical Systems. https://doi.org/10.1016/j.physd.2019.132306
4. Zhang, G.P. (2012). Neural Networks for Time-Series Forecasting. In: Rozenberg, G., Bäck, T., Kok, J.N. (eds) Handbook of Natural Computing. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-92910-9_14
5. Lexin Zhang, Ruihan Wang, Zhuoyuan Li, Jiaxun Li, Yichen Ge, Shiyun Wa, Sirui Huang, Chunli Lv. Time-Series Neural Network: A High-Accuracy Time-Series Forecasting Method Based on Kernel Filter and Time Attention // Information 2023, 14(9), 500; https://doi.org/10.3390/info14090500