Pokročilé metody numerických predikcí s využitím neuronových sítí

Advanced approach to numerical forecasting using artificial neural networks

článek v časopise - ostatní, Jost

en

Current global market is driven by many factors, such as the information age, the time and amount of information distributed by many data channels it is practically impossible analyze all kinds of incoming information flows and transform them to data with classical methods. New requirements could be met by using other methods. Once trained on patterns artificial neural networks can be used for forecasting and they are able to work with extremely big data sets in reasonable time. The patterns used for learning process are samples of past data. This paper uses Radial Basis Functions neural network in comparison with Multi Layer Perceptron network with Back-propagation learning algorithm on prediction task. The task works with simplified numerical time series and includes forty observations with prediction for next five observations. The main topic of the article is the identification of the main differences between used neural networks architectures together with numerical forecasting. Detected differences then verify on practical comparative example.

Článek představuje neuronové sítě typu RBF (sítě radiálních bazických funkcí) v porovnání s vícevrstvými neuronovými sítěmi (MLP) s učícím algoritmem zpětného šíření (Back-propagation). Srovnání je podloženo praktickou úlohou spojenou s odhadem budoucího vývoje zjednodušeného modelu časové řady publikovaného dříve. Výchozí je srovnání RBF a MLP sítí v obou rovinách -- teoretické i praktické. Přínosem článku je také přesné vymezení odlišných přístupů k učení obou sítí. Praktická úloha ukázala nutnost vlastní implementace RBF sítě pro její využití na predikce různých modelů časových řad. Jako výhodu plynoucí z provedeného experimentu je nutné zmínit rychlost učení sítě typu RBF. Sítě typu RBF ukázaly svou vysokou účinnost a výkonnost pro aproximační úlohy. Pro jejich využití na odhad budoucího vývoje modelů časových řad je však nutné provést vlastní implementaci. Vlastní experiment prokázal lepší výsledky u MLP sítě. Současně sítě typu RBF však dosáhly podobné chyby ve znatelně kratší době, čímž potvrdily svou účinnost, avšak nedosáhly stejně kvalitní predikce.

Current global market is driven by many factors, such as the information age, the time and amount of information distributed by many data channels it is practically impossible analyze all kinds of incoming information flows and transform them to data with classical methods. New requirements could be met by using other methods. Once trained on patterns artificial neural networks can be used for forecasting and they are able to work with extremely big data sets in reasonable time. The patterns used for learning process are samples of past data. This paper uses Radial Basis Functions neural network in comparison with Multi Layer Perceptron network with Back-propagation learning algorithm on prediction task. The task works with simplified numerical time series and includes forty observations with prediction for next five observations. The main topic of the article is the identification of the main differences between used neural networks architectures together with numerical forecasting. Detected differences then verify on practical comparative example.

Umělé neuronové sítě, sítě MLP, číselné předpovědi, sítě RBF

Artificial Neural Networks, Multi Layer Perceptron Network, Numerical Forecasting, Radial basis function

2009

21.12.2009

1211-8516

Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis

2009

6

297–305

8