Article title:
РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ С УПРАВЛЯЕМЫМИ РЕКУРРЕНТНЫМИ БЛОКАМИ ДЛЯ МНОГОМЕРНЫХ ВРЕМЕННЫХ РЯДОВ С ПРОПУЩЕННЫМИ ЗНАЧЕНИЯМИ
Authors:
Тронов К. А., Федоров В. О.
Keywords: рекуррентные нейронные сети, глубокое обучение, затухающий градиент, GRU, многомерные временные ряды.
الصفحات: 352-359
Abstract: Многомерные данные временных рядов в практических приложениях, таких как здравоохранение, геология и биология, характеризуются множеством пропущенных значений. В прогнозировании временных рядов и других сопутствующих задачах было отмечено, что пропущенные значения и их пропущенные шаблоны часто коррелируют с целевыми метками, также известными как информативное отсутствие. Довольно мало работ посвящено применению отсутствующих шаблонов для эффективного вменения и повышения эффективности прогнозирования. В данной статье предлагается новая модель глубокого обучения, а именно GRU-D. Данная модель основана на Gated Recurrent Unit (GRU), современной рекуррентной нейронной сети и использует два представления отсутствующих паттернов, т. е. маскирование и временной интервал, и эффективно включает их в глубокую архитектуру модели, чтобы не только фиксировать долгосрочные временные зависимости во временных рядах, но также использовать отсутствующие паттерны для достижения лучших результатов прогнозирования.
Full text is not available
Download full text
