یک شبکۀ حافظۀ طولانی کوتاهمدت عمیق مبتنی بر توجه تکاملی برای پیشبینی سریهای زمانی
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 405
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-11-4_002
تاریخ نمایه سازی: 19 دی 1399
Abstract:
پیشبینی طولانیمدت سریهای زمانی یک مسئله، مهم و چالشبرانگیز است. امروزه شبکههای عمیق بهخصوص شبکههای حافظۀ طولانی کوتاهمدت (LSTM)، با موفقیت در پیشبینی سریهای زمانی به کار گرفته شدهاند. شبکههای LSTM وابستگیهای طولانیمدت را حفظ میکنند؛ اما توانایی آنها در اختصاص درجههای مختلف توجه به ویژگیهای زیر پنجره در چند مرحلۀ زمانی کافی نیست. همچنین، عملکرد این شبکهها بهشدت به مقادیر ابرپارامتر آنها بستگی دارد و اتخاذ یک روش کارآمد برای کسب مقادیر مطلوب، مهم است. در این پژوهش برای غلبه بر چالشهای فوق، LSTM عمیق مبتنی بر توجه تکاملی برای پیشبینی سریهای زمانی چندمتغیره توصیه میشود که بهطور خودکار، یکی از بهترین ترکیبها از مقادیر پارامترهای LSTM و وزن توجه به ویژگیها را مییابد. راهحل پیشنهادی از الگوریتم ژنتیک برای تنظیم مناسب معماری شبکه LSTM عمیق بهره میگیرد. بهمنظور ارزیابی عملکرد الگوریتم پیشنهادی، از سه مجموعه داده در زمینههای انرژی و محیطزیست بهره گرفته شده است. نتایج آزمایشی نشان میدهند الگوریتم پیشنهادی، در مقایسه با سایر مدلهای پایه، بهتر عمل میکند.
Keywords:
ابرپارامتر , الگوریتم تکاملی , سریهای زمانی , چندمتغیره , شبکۀ حافظۀ طولانی کوتاهمدت , مکانیزم توجه
Authors
مرضیه حاجی زاده طحان
دانشجوی دکتری، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران
محمد قاسم زاده
دانشیار، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران
مهدی رضاییان
استادیار، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :