Прогнозування нестаціонарних часових рядів з використанням одновимірних згорткових нейронних мереж

Анотація

Основною метою прогнозування нестаціонарних часових рядів є побудова, ідентифікація, налаштування і перевірка їх моделей. Показана ефективність використання технологій машинного навчання для аналізу нестаціонарних часових рядів завдяки їх здатності моделювати складні нелінійні залежності в поведінці часового ряду, як в залежності від попередніх значень, так і зовнішніх чинників, аналізувати особливості, відносини і складні взаємодії. Обговорено особливості прогнозування часових рядів з використанням одновимірної згорткової нейронної мережі. Розглянуто особливості архітектури і процесу навчання при використанні одновимірної згорткової нейронної мережі на прикладі рішення задач прогнозування продажів і побудови прогнозу цін акцій компанії. Для поліпшення якості прогнозу, вихідні часові ряди під давалися попередній обробці методом ковзного середнього в вікні. Комп'ютерне моделювання задачі прогнозування із застосуванням одновимірної згорткової нейронної мережі виконано на мові програмування Python. У прогнозі продажів з використанням архітектури запропонованої моделі одновимірної згорткової нейронної мережі зроблено прогноз продаж легкових і комерційних автомобілів у В'єтнамі в період з дві тисячі одинадцятого по дві тисячі вісімнадцятий роки. Модель одновимірної згорткової нейронної мережі показала високу точність прогнозування з даними сезонного тренду. У прогнозуванні цін на акції була використана інша архітектура моделі одновимірної згорткової нейронної мережі, яка відповідає нестаціонарним даним з великими довжинами серій даних при невеликому інтервалі між відліками, такими як дані статистики торгівлі акціями за хвилину. У цьому проекті дані взяті з AmazonNasdaq100 для сорока тисяч п’ятисот шістдесяти точок даних. Дані поділяються на навчальний і тестовий набори. Тестовий набір використовується для перевірки фактичної продуктивності моделі. Показано, що модель одновимірної згорткової нейронної мережі дає хороші результати при наявності як сезонної, так і трендової складових часового ряду при великих розмірах даних.