یک روش مبتنی بر یادگی ری جمعی برای بهبود دقت مدلهای پیشبینی سراسری سریهای زمانی

یکی از مشکلات موجود در ساخت مدل های پیشبینی سراسری، تاثیر وزن های اولیه تصادفی در عملکرد شبکه است که باعت می شود تا یک مدل شبکه عصبی با معماری و هایپرپارامترهای یکسان، پیش بینی های متفاوتی داشته باشد. در این مطالعه، یک رویکرد مبتنی یادگیری جمعی پیشنهاد می شود. در این روش به جای آموزش یک مدل منفرد، مجموعه ای از مدل های پیش بینی آموزش داده می شود و خروجی هر مدل با استفاده از عملگرهای تجمیع بدست می آید. برای ارزیابی دقت پیش بینی روش پیشنهادی، یک مدل پیش بینی ترکیبی مبتنی بر شبکه حافظه کوتاه مدت طوالنی و شبکه عصبی پیچشی طراحی و پیاده سازی گردید. مدل پیش بینی با استفاده از آزمایش های گسترده ای با استفاده از مجموعه داده Tourism مورد ارزیابی قرار گرفت. نتایج آزمایش ها نشان می دهد که مدل پیشنهادی نسبت به مدل منفرد و مدل های محک عملکرد بهتری از خود نشان می دهد. برای ارزیابی بیشتر روش پیشنهادی مقایسه ای با مدل های محک شامل روش های پیش بینی سنتی نظیر ARIMA و ETS، روش مبتنی بر شبکه بازگشتی (RNN Xmeans) و مدل DeepAR صورت گرفت. روش پیشنهادی نسبت به ARIMA و ETS در معیار SMAPE به ترتیب دارای ۲.۳۴ و ۰.۸۳ خطای کمتری دارد. همچنین این مدل نسبت به RNN Xmeans و DeepAR به ترتیب دارای ۲.۲ و ۱.۰۵ عملکرد بهتری در معیار SMAPE است که نشاندهنده قدرت روش پیشنهادی در پیش بینی سری زمانی است.

کلیدواژه ها:

سری زمانی ، پیش بینی سراسری ، یادگیری جمعی ، شبکه حافظه کوتاه-مدت طوالنی ، شبکه پیچشی