基于尖端神经网络的方法论,用于单变量时间序列预测
1Department of Automatic Control and Systems Engineering, Faculty of Engineering of Bilbao, University of the Basque Country (UPV/EHU), Plaza Ingeniero Torres Quevedo, 1, Bilbao, 48013, Basque Country, Spain.
概括
本研究引入了用于时间序列预测的尖端神经网络 (SNN) 的新训练方法. 该方法在各种数据集中实现了可靠和能效的预测.
科学领域:
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 尖端神经网络 (SNN) 擅长在低能耗的情况下处理时空数据.
- 现有的SNN应用主要集中在分类上,时间序列预测较少.
研究的目的:
- 为使用SNN进行单变量时间序列预测提出一种新的,通用的培训方法.
- 为了解决用于预测问题的SNN应用程序的差距.
主要方法:
- 该方法采用基于脉冲宽度调制 (PWM) 的编码解码算法.
- 监督训练是使用替代梯度方法实现的一步前的预测.
- 验证是在各种数据集上进行的,包括正弦波,UCI和现实世界的数据.
主要成果:
- 拟议的SNN方法产生了非常令人满意的预测结果,平均绝对误差 (MAE) 从0.0094到0.2891.
- 有效的预测性能在具有不同特征和应用领域的数据集中得到证明.
- 即使使用单个重量初始化,也可以获得强大的结果,突出计算和能源效率.
结论:
- 开发的SNN培训方法为单变量时间序列预测提供了多功能和有效的解决方案.
- 该方法利用SNN在预测任务中的固有低功耗和计算优势.
- 这项工作扩大了SNN对预测的适用性,证明了其超出分类范围的潜力.


