Побудова моделей для прогнозування часових рядiв застосовуючи мережi довгострокової пам’ятi

Abstract

Дослiдження присвячено комплексному вивченню мереж довгої короткочасної пам’ятi (ДКЧП). Дана архiтектура є видом рекурентних нейронних мереж (РНМ), у яких з’єднання мiж вузлами утворюють граф, орiєнтований у часi. У дослiдженнi проводи- ться огляд будови та роботи ДКЧП. Також здiйснюється аналiз матерiалiв i методiв. У статтi проводяться експерименти: будуються рiзнi моделi для передбачення часових рядiв. Аналiзуються отриманi результати дослiдження. У цьому дослiдженнi будуть розглянутi цiннiсть ДКЧП з практичної сторони у планi застосування, в залежно- стi вiд виду вхiдних даних, а також з теоретичної сторони, яка базуватиметься на розумiннi будови блоку ДКЧП. Ключовi слова: довга короткочасна пам’ять, рекурентна нейронна мережа, машинне навчання, k-nearest neighbors, Long short term memory, Root mean square error.

Boyko N., Kachmaryk V. Building models for time sequence forecasting using long-term memory networks . The study is devoted to a comprehensive analysis of long short-term memory (LSTM) networks. This architecture is a type of recurrent neural network (RNM), in which the connections between nodes form a time-oriented graph. In this study, we review the structure and performance of the LSTM networks. Materials and methods are also analyzed. This paper conducts experiments, such as building different models to predict time series. The obtained research results are also analyzed. In this study, we will consider both the value of LSTM from a practical point of view in terms of exploitation, depending on the type of input data, and from a theoretical point of view, which will be based on understanding the structure of the LSTM block. Keywords: Long short-term memory, recurrent neural network, machine learning, k- Nearest Neighbors, Root mean square error.