論文の概要: A Combination Model for Time Series Prediction using LSTM via Extracting Dynamic Features Based on Spatial Smoothing and Sequential General Variational Mode Decomposition
- arxiv url: http://arxiv.org/abs/2406.03144v1
- Date: Wed, 5 Jun 2024 11:00:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 18:50:02.237729
- Title: A Combination Model for Time Series Prediction using LSTM via Extracting Dynamic Features Based on Spatial Smoothing and Sequential General Variational Mode Decomposition
- Title（参考訳）: 空間平滑化と逐次一般変動モード分解に基づく動的特徴抽出によるLSTMによる時系列予測の組合せモデル
- Authors: Jianyu Liu, Wei Chen, Yong Zhang, Zhenfeng Chen, Bin Wan, Jinwei Hu,
- Abstract要約: 本稿では,Sequential General VMDと空間平滑化Long短期記憶ニューラルネットワーク(SS-LSTM)の組み合わせモデルに基づく市場販売量の時系列予測手法を提案する。
季節的・周期的な傾向によるデータ予測実験の結果, 特定の市場状況において, より高い価格予測精度とより正確な精度が得られることが示された。
- 参考スコア（独自算出の注目度）: 7.3902616486942305
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In order to solve the problems such as difficult to extract effective features and low accuracy of sales volume prediction caused by complex relationships such as market sales volume in time series prediction, we proposed a time series prediction method of market sales volume based on Sequential General VMD and spatial smoothing Long short-term memory neural network (SS-LSTM) combination model. Firstly, the spatial smoothing algorithm is used to decompose and calculate the sample data of related industry sectors affected by the linkage effect of market sectors, extracting modal features containing information via Sequential General VMD on overall market and specific price trends; Then, according to the background of different Market data sets, LSTM network is used to model and predict the price of fundamental data and modal characteristics. The experimental results of data prediction with seasonal and periodic trends show that this method can achieve higher price prediction accuracy and more accurate accuracy in specific market contexts compared to traditional prediction methods Describe the changes in market sales volume.
- Abstract（参考訳）: 時系列予測における市場販売量などの複雑な関係に起因する,有効特徴の抽出や販売量予測の精度の低下といった課題を解決するために,逐次一般VMDと空間平滑化ロング短期記憶ニューラルネットワーク(SS-LSTM)の組み合わせモデルに基づく市場販売量の時系列予測手法を提案した。
まず、空間平滑化アルゴリズムを用いて、市場セクターの連携効果によって影響を受ける関連産業セクターのサンプルデータを分解・算出し、市場全体および特定の価格動向についてシークエンシャル・ジェネラルVMDを介して情報を含むモーダル特徴を抽出し、その後、異なるマーケットデータセットの背景から、LSTMネットワークを用いて基本データとモーダル特性の価格をモデル化・予測する。
季節的・周期的な傾向によるデータ予測実験の結果,従来の予測手法と比較して,価格予測精度が高く,特定の市場状況において精度の高いデータ予測が可能であることが示唆された。
関連論文リスト
- Generalized Distribution Prediction for Asset Returns [0.9944647907864256]
本稿では,Long Short-Term Memory (LSTM) ネットワークを用いたQuantile-based methodを用いて,資産返却の分布を予測する新しい手法を提案する。
第1段階は資産特化特徴を用いた正規化資産返却量の予測に焦点を合わせ,第2段階は市場データを用いてこれらの予測をより広範な経済状況に適応させる。
論文 参考訳（メタデータ） (2024-10-15T15:31:44Z) - MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z) - Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - A Combination Model Based on Sequential General Variational Mode Decomposition Method for Time Series Prediction [11.11205499754577]
我々は、金融時系列を予測する非線形な方法で、新しいSGVMD-ARIMA組合せモデルを構築した。
予測区間内では,従来の分解予測群モデルよりも利点が向上した。
論文 参考訳（メタデータ） (2024-06-05T11:35:38Z) - DeepVARMA: A Hybrid Deep Learning and VARMA Model for Chemical Industry Index Forecasting [14.738606795298043]
本稿では,LSTMモデルとVARMAXモデルを組み合わせた新しい予測モデルであるDeepVARMAを提案する。
実験結果から,新しいモデルでは予測精度が最良であることが示唆された。
本研究は, 化学産業における今後の開発・科学的意思決定のための, より正確なツールと方法を提供する。
論文 参考訳（メタデータ） (2024-04-26T09:15:26Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - A Deep Learning Framework for Predicting Digital Asset Price Movement
from Trade-by-trade Data [20.392440676633573]
本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。
このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。
現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
論文 参考訳（メタデータ） (2020-10-11T10:42:02Z) - 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)
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。