数据归一化对用于时间序列预测的深层神经网络的影响
机器学习
2019-01-09 v2 机器学习
摘要
过去几年观察到深层神经网络（DNNs）在图像分类、语音识别方面取得了优异成功。但 DNNs 在时间序列预测方面面临巨大挑战，因为大多数时间序列数据本质上非线性且行为高度动态。时间序列预测对我们的社会经济环境有重大影响。因此，为应对这些挑战，需要重新定义 DNN 模型，并牢记在将数据输入 DNN 模型前需考虑数据预处理、网络架构与网络参数。数据归一化是基本的数据预处理技术，学习即在此基础上进行。时间序列预测的有效性严重依赖于数据归一化技术。本文在将时间序列数据输入 DNN 模型前使用不同归一化方法，并试图找出每种归一化技术对 DNN 预测时间序列的影响。此处使用深度循环神经网络（DRNN），借助孟买证券交易所（BSE）与纽约证券交易所（NYSE）的时间序列数据预测其收盘指数。
引用
@article{arxiv.1812.05519,
title = {Impact of Data Normalization on Deep Neural Network for Time Series Forecasting},
author = {Samit Bhanja and Abhishek Das},
journal= {arXiv preprint arXiv:1812.05519},
year = {2019}
}