Predikce časových řad hlubokými neuronovými sítěmi

Abstract

Rekurentní neuronové sítě jsou modely pracující s posloupnostmi dat používané pro klasifikační i regresní úlohy. Typy rekurentních neuronových sítí jsou definovány v této práci společně se svými algoritmy, které jsou použity při implementaci výchozího modelu. Grid Search či Bayesovská optimalizace jsou metody pomáhající nalézt optimální hodnoty hyperparametrů - proměnných, které ovlivňují rychlost a přesnost učení. Tyto metody byly použity k nastavení neuronové sítě.

Cílem této práce bylo zjistit, zda může metoda injekce postranních kanálů zlepšit přesnost predikcí rekurentních neuronových sítí. Průměr a směrnice a úsek přímky dané lineární regresí jsou použity jako nové proměnné vstupních dat a funkčnost této metody byla ověřena implementací těchto dvou modelů. Další struktura rekurentní neuronové sítě je definována jakožto Rozšířený RNN model, který je kompromisem mezi klasickou rekurentní neuronovou sítí a autoenkodéry využívajícími rekurentní neuronové sítě. Pro všechny modely bylo provedeno několik experimentů a Rozšířený RNN model byl za pomoci Akaikova informačního kritéria, testování hypotéz a~analýzy výsledků na zákládě pozorování grafů vybrán jako nejlepší model. Dalším přínosem této práce je detailní přehled postupů při implementaci autoenkodérů využívajících rekurentní sítě a popis technik použitých při optimalizaci hyperparametrů.