論文の概要: Time Series Forecasting with Stacked Long Short-Term Memory Networks
- arxiv url: http://arxiv.org/abs/2011.00697v1
- Date: Mon, 2 Nov 2020 03:09:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 11:13:14.150942
- Title: Time Series Forecasting with Stacked Long Short-Term Memory Networks
- Title(参考訳): スタック型長期記憶ネットワークを用いた時系列予測
- Authors: Frank Xiao
- Abstract要約: 本稿では,時系列予測領域におけるLSTMネットワークのスタック化の有効性,特に交通量予測について検討する。
交通量をより正確に予測できるようになると、より良い計画を立てることができ、運用コストを大幅に削減し、全体的な効率を改善することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long Short-Term Memory (LSTM) networks are often used to capture temporal
dependency patterns. By stacking multi-layer LSTM networks, it can capture even
more complex patterns. This paper explores the effectiveness of applying
stacked LSTM networks in the time series prediction domain, specifically, the
traffic volume forecasting. Being able to predict traffic volume more
accurately can result in better planning, thus greatly reduce the operation
cost and improve overall efficiency.
- Abstract(参考訳): LSTM(Long Short-Term Memory)ネットワークは、しばしば時間依存パターンをキャプチャするために使用される。
多層LSTMネットワークを積み重ねることで、さらに複雑なパターンをキャプチャすることができる。
本稿では,時系列予測領域,特に交通量予測におけるLSTMネットワークの適用の有効性について検討する。
交通量をより正確に予測できることは、より良い計画につながり、運用コストを大幅に削減し、全体の効率を向上させる。
関連論文リスト
- The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Short-Term Multi-Horizon Line Loss Rate Forecasting of a Distribution
Network Using Attention-GCN-LSTM [9.460123100630158]
本稿では,GCN(Graph Convolutional Networks),LSTM(Long Short-Term Memory)と3レベルアテンション機構を組み合わせた新しい手法であるAttention-GCN-LSTMを提案する。
本モデルにより,複数の水平線を横断する線損失率の正確な予測が可能となる。
論文 参考訳(メタデータ) (2023-12-19T06:47:22Z) - Recurrent Neural Networks with more flexible memory: better predictions
than rough volatility [0.0]
資産価格のボラティリティを予測するため,バニラと長期の長期記憶ネットワークの能力を比較した。
検証損失が最小のモデルでは,複数時系列のデータセット上でトレーニングおよびテストを行った場合,大まかなボラティリティ予測を約20%上回る結果が得られた。
論文 参考訳(メタデータ) (2023-08-04T14:24:57Z) - Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。
FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。
私たちのコードは公開されます。
論文 参考訳(メタデータ) (2022-02-23T18:23:07Z) - A comparison of LSTM and GRU networks for learning symbolic sequences [0.0]
長寿命短期記憶(LSTM)ネットワークとゲートリカレントユニット(GRU)の比較を行った。
トレーニング時間が制約された場合,RNN深度の増加が必ずしも記憶能力の向上をもたらすとは限らないことがわかった。
論文 参考訳(メタデータ) (2021-07-05T19:49:14Z) - Online learning of windmill time series using Long Short-term Cognitive
Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。
我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。
提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文 参考訳(メタデータ) (2021-07-01T13:13:24Z) - Slower is Better: Revisiting the Forgetting Mechanism in LSTM for Slower
Information Decay [4.414729427965163]
より遅い電力法崩壊関数に沿って情報を忘れることを学ぶ電力法忘れゲートを提案する。
提案手法を用いたLSTMは,複数の領域における他のリカレントネットワークよりも優れた長期依存性を学習できることを示す。
論文 参考訳(メタデータ) (2021-05-12T20:21:16Z) - Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文 参考訳(メタデータ) (2021-03-13T06:56:29Z) - Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。
DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。
ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文 参考訳(メタデータ) (2020-06-22T08:20:17Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z) - Distributed Fine-Grained Traffic Speed Prediction for Large-Scale
Transportation Networks based on Automatic LSTM Customization and Sharing [0.27528170226206433]
DistPreは、大規模交通ネットワークのための分散きめ細かな交通速度予測スキームである。
D DistPreは、大規模な交通ネットワークにおいて、時間効率のLSTMカスタマイズと正確な交通速度予測を提供する。
論文 参考訳(メタデータ) (2020-05-10T21:24:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。