論文の概要: The CTLNet for Shanghai Composite Index Prediction

• arxiv url: http://arxiv.org/abs/2604.16835v1
• Date: Sat, 18 Apr 2026 04:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 14:04:47.904464
• Title: The CTLNet for Shanghai Composite Index Prediction
• Title（参考訳）: 上海総合指数予測のためのCTLNet
• Authors: Haibin Jiao,
• Abstract要約: 上海総合指数予測のための CNN-Transformer-LSTM Networks (CTLNet) を提案する。 本稿では,上海総合指数予測へのCTLNetの適用について検討し,提案モデルが最先端のベースラインより優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shanghai Composite Index prediction has become a hot issue for many investors and academic researchers. Deep learning models are widely applied in multivariate time series forecasting, including recurrent neural networks (RNN), convolutional neural networks (CNN), and transformers. Specifically, the Transformer encoder, with its unique attention mechanism and parallel processing capabilities, has become an important tool in time series prediction, and has an advantage in dealing with long sequence dependencies and multivariate data correlations. Drawing on the strengths of various models, we propose the CNN-Transformer-LSTM Networks (CTLNet). This paper explores the application of CTLNet for Shanghai Composite Index prediction and the comparative experiments show that the proposed model outperforms state-of-the-art baselines.
• Abstract（参考訳）: 上海総合指数の予測は多くの投資家や学術研究者にとってホットな問題となっている。 ディープラーニングモデルは、リカレントニューラルネットワーク(RNN)、畳み込みニューラルネットワーク(CNN)、トランスフォーマーなど、多変量時系列予測に広く適用されている。 具体的には、Transformerエンコーダは、ユニークなアテンション機構と並列処理機能を備え、時系列予測において重要なツールとなり、長いシーケンス依存や多変量データ相関を扱うことに長けている。 CNN-Transformer-LSTM Networks (CTLNet) を提案する。 本稿では,上海総合指数予測へのCTLNetの適用について検討し,提案モデルが最先端のベースラインより優れていることを示す。

関連論文リスト

• CNN-TFT explained by SHAP with multi-head attention weights for time series forecasting [0.6019777076722422]
  本稿では,畳み込み特徴抽出と時間融合変換器を組み合わせたハイブリッドアーキテクチャを提案する。 CNN-TFTは、確立されたディープラーニングモデルよりも優れており、平均絶対パーセンテージエラーは2.2%である。
  論文  参考訳（メタデータ） (2025-10-08T10:08:28Z)
• MS-DFTVNet:A Long-Term Time Series Prediction Method Based on Multi-Scale Deformable Convolution [12.652031472297416]
  我々は,長期予測のための変形可能な畳み込みフレームワークであるMS-DFTVNetを開発した。 実験の結果、MS-DFTVNetは強いベースラインを著しく上回るだけでなく、平均7.5%の改善も達成している。
  論文  参考訳（メタデータ） (2025-06-08T10:33:39Z)
• Differential Machine Learning for Time Series Prediction [1.3812010983144802]
  本稿では、差分学習によるニューラルネットワーク予測を強化する新しい手法を提案する。 我々は,共有LSTMセルを用いて,両データストリームを同時に処理する差分長短期メモリ(Diff-LSTM)ネットワークを開発した。
  論文  参考訳（メタデータ） (2025-03-05T09:36:57Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。