用于时间序列预测的人工神经网络同质集成
神经与进化计算
2013-02-27 v1 机器学习
摘要
提高时间序列预测模型的鲁棒性和准确性是一个活跃的研究领域。近年来，人工神经网络 (ANN) 已在许多实际预测问题中得到广泛应用。然而，标准的反向传播 ANN 训练算法存在一些关键问题，例如收敛速度慢、常收敛于局部极小值、误差曲面模式复杂、缺乏适当的训练参数选择方法等。为了克服这些缺点，文献中已开发了各种改进的训练方法；但仍无法保证其中任何一种方法对所有问题都是最佳的。在本文中，我们提出了一种新颖的加权集成方案，该方案智能地结合多种训练算法以提高 ANN 的预测精度。每个训练算法的权重由相应 ANN 模型在验证数据集上的表现确定。在四个重要时间序列上的实验结果表明，我们提出的技术在很大程度上减少了单个 ANN 训练算法的上述缺点。此外，与另外两种流行的统计模型相比，该技术实现了显著更好的预测精度。
引用
@article{arxiv.1302.6210,
title = {A Homogeneous Ensemble of Artificial Neural Networks for Time Series Forecasting},
author = {Ratnadip Adhikari and R. K. Agrawal},
journal= {arXiv preprint arXiv:1302.6210},
year = {2013}
}
备注
8 pages, 4 figures, 2 tables, 26 references, international journal