Название статьи:
РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ С УПРАВЛЯЕМЫМИ РЕКУРРЕНТНЫМИ БЛОКАМИ ДЛЯ МНОГОМЕРНЫХ ВРЕМЕННЫХ РЯДОВ С ПРОПУЩЕННЫМИ ЗНАЧЕНИЯМИ
Авторы:
Тронов К. А., Федоров В. О.
Ключевые слова: рекуррентные нейронные сети, глубокое обучение, затухающий градиент, GRU, многомерные временные ряды.
Страницы: 352-359
Аннотация: 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.
Полный текст статьи недоступен
Скачать полный текст статьи
Журнал индексируется в Российском индексе научного цитирования (РИНЦ)
Журнал "Оригинальные исследования (ОРИС)" (включен в РИНЦ) ведет прием статей в ближайший номер до 31 декабря 2024 г.
Архив выпусков
- 2024 - Том 14, Выпуск 11
- 2024 - Том 14, Выпуск 10
- 2024 - Том 14, Выпуск 9
- 2024 - Том 14, Выпуск 8
- 2024 - Том 14, Выпуск 7
- 2024 - Том 14, Выпуск 6
- 2024 - Том 14, Выпуск 5
- 2024 - Том 14, Выпуск 4
- 2024 - Том 14, Выпуск 3
- 2024 - Том 14, Выпуск 2
-
Весь архив