Predikce časových řad pomocí metod strojového učení

Time Series forecasting using machine learning methods

článek v časopise - ostatní, Jost

en

In this paper we concentrate on prediction of future values based on the past course of that variable, traditionally these are solved using statistical analysis – first a time-series model is constructed and then statistical prediction algorithms are applied to it in order to obtain future values. This paper describes Radial Basis Functions (RBF) Neural Network and Two-level Grammatical Evolution. Both these methods are applied to solve prediction of simplified numerical time series. Sample dataset includes forty generated observations and the goal is to predict five future values.

V tomto článku se zaměřujeme na predikci budoucích hodnot založenou na minulém průběhu dané proměnnée. Tradičně je možné tento úkol řešit pomocí statistické analýzy – modelováním pomocí časových řad a použitím statisických predikčních algoritmů. Tento článek popisuje RBF neuronové sítě a Dvoufázovou gramatickou evoluci jako alternativní metody. Obě tyto metody jsou aplikovnány pro řešení zjednodušené numerické časové řady. Vzorová sada dat obsahuje 40 generovaných pozorování s cílem předpovědět 5 budoucích hodnot.

In this paper we concentrate on prediction of future values based on the past course of that variable, traditionally these are solved using statistical analysis – first a time-series model is constructed and then statistical prediction algorithms are applied to it in order to obtain future values. This paper describes Radial Basis Functions (RBF) Neural Network and Two-level Grammatical Evolution. Both these methods are applied to solve prediction of simplified numerical time series. Sample dataset includes forty generated observations and the goal is to predict five future values.

Genetic Algorithm, Prediction of Time Series, RBF Neural Network

2009

01.10.2009

1581-9973

2009

A/1

66–69

4