Neural Network with Cooperative Switching Units with Application to Time Series Forecasting

0323370 - ÚI 2010 RIV US eng C - Conference Paper (international conference)
Hlaváček, M. - Kalous, R. - Hakl, František
Neural Network with Cooperative Switching Units with Application to Time Series Forecasting.
[Neuronové sítě s kooperujícími přepínacími jednotkami pro předpovídání časových řad.]
World Congress on Computer Science and Information Engineering. Vol. 5. Los Alamitos: IEEE Computer Society, 2009, s. 676-682. ISBN 978-0-7695-3507-4.
[CSIE 2009. WRI World Congress on Computer Science and Information Engineering. Los Angeles (US), 31.03.2009-02.04.2009]
R&D Projects: GA MŠMT(CZ) 1M0567
Institutional research plan: CEZ:AV0Z10300504
Keywords : neural networks * time series forecasting * genetic optimization
Subject RIV: IN - Informatics, Computer Science

Simple neural networks with switching units are capable to predict seasonal time series with results comparable to common stochastic methods. This paper presents enhanced model of neural network with switching units with aim to improve the forecasting performance of non-stationary time series. The presented model of neural network network is build of neurons with feedback and continuous activation function and it has a two level topology. The paper further describes the application of genetic algorithms to the optimization of the first level of topology. Finally, the performance of the proposed model was tested on the time series of currency in circulation and two artificial seasonal stochastic processes. Experimental results confirm that the new model outperforms the basic one as well as common stochastic methods.

Jednoduché neuronové sítě s přepínacími jednotkami jsou použitelné pro předpovídání sezónních časových řad s porovnatelnými výsledky jako předpovědi získané pomocí běžných statistických metod. V článku je prezentován typ neuronové sítě uzpůsobený ke zlepšení předpovědí na nestacionárních časových řadách. Diskutovaný model neuronové sítě využívá spojité aktivační funkce a jeho topologie je optimalizována pomocí genetických algoritmů. Tento model je testován na ekonomické časové řadě popisující denní množství volného oběživa a na dvou umělých sezónních stochastických procesech. Experimentální výsledky potvrzují, že nový vylepšený model překonává model původní i běžně používané modely statistické.
Permanent Link: http://hdl.handle.net/11104/0171350