Strategies of Multi-Step-ahead Forecasting for Chaotic Time Series using Autoencoder and LSTM Neural Networks: A Comparative Study

自编码 计算机科学 人工神经网络 时间序列 系列(地层学) 混乱的 均方误差 人工智能 循环神经网络 深度学习 多输入多输出 算法 机器学习 数学 统计 频道(广播) 古生物学 生物 计算机网络
作者
Nguyen Ngoc Phien,Tuan Anh Duong,Jan Platoš
标识
DOI:10.1145/3582177.3582187
摘要

There has been a lot of research on the use of deep neural networks in forecasting time series and chaotic time series data. However, there exist very few works on multi-step ahead forecasting in chaotic time series using deep neural networks. Several strategies that deal with multi-step-ahead forecasting problem have been proposed in literature: recursive (or iterated) strategy, direct strategy, a combination of both the recursive and direct strategies, called DirRec, the Multiple-Input Multiple-Output (MIMO) strategy, and the fifth strategy, called DirMO which combines Direct and MIMO strategies. This paper aims to propose a new deep learning model for chaotic time series forecasting: LSTM-based stacked autoencoder and answer the research question: which strategy for multi-step ahead forecasting using LSTM-based stacked autoencoder yields the best performance for chaotic time series. We evaluated and compared in terms of two performance criteria: Root-Mean-Square Error (RMSE) and Mean-Absolute-Percentage Error (MAPE). The experimental results on synthetic and real-world chaotic time series datasets reveal that MIMO strategy provides the best predictive accuracy for chaotic time series forecasting using LSTM-based stacked autoencoder.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
3秒前
Sally完成签到 ,获得积分10
3秒前
月涵完成签到 ,获得积分10
4秒前
藤井树完成签到 ,获得积分20
6秒前
阿然完成签到,获得积分10
11秒前
占万声完成签到,获得积分10
12秒前
serenity711完成签到 ,获得积分10
16秒前
谷粱靖柔完成签到,获得积分10
17秒前
gyx完成签到 ,获得积分10
17秒前
yuzhang312完成签到 ,获得积分10
18秒前
FloppyWow完成签到 ,获得积分10
19秒前
ly完成签到,获得积分10
19秒前
苹果发夹完成签到 ,获得积分10
19秒前
Alone离殇完成签到 ,获得积分10
21秒前
几携完成签到 ,获得积分10
22秒前
刘五十七完成签到 ,获得积分10
23秒前
24秒前
24秒前
缥缈代丝完成签到 ,获得积分10
25秒前
点点完成签到 ,获得积分10
26秒前
江月年完成签到 ,获得积分10
26秒前
28秒前
30秒前
fanfan完成签到 ,获得积分10
31秒前
666星爷完成签到,获得积分10
35秒前
加油完成签到 ,获得积分10
38秒前
我爱学习完成签到,获得积分10
41秒前
42秒前
donson完成签到,获得积分10
42秒前
44秒前
Jeffrey完成签到,获得积分10
45秒前
48秒前
不想洗碗完成签到 ,获得积分10
52秒前
SY15732023811完成签到 ,获得积分10
53秒前
和谐的火龙果完成签到,获得积分10
56秒前
洽洽瓜子shine完成签到,获得积分10
58秒前
iShine完成签到 ,获得积分10
58秒前
严念桃完成签到,获得积分10
59秒前
ada完成签到,获得积分10
1分钟前
1分钟前
高分求助中
Les Mantodea de Guyane Insecta, Polyneoptera 2500
Mobilization, center-periphery structures and nation-building 600
Technologies supporting mass customization of apparel: A pilot project 450
China—Art—Modernity: A Critical Introduction to Chinese Visual Expression from the Beginning of the Twentieth Century to the Present Day 430
Tip60 complex regulates eggshell formation and oviposition in the white-backed planthopper, providing effective targets for pest control 400
A Field Guide to the Amphibians and Reptiles of Madagascar - Frank Glaw and Miguel Vences - 3rd Edition 400
China Gadabouts: New Frontiers of Humanitarian Nursing, 1941–51 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3792575
求助须知:如何正确求助?哪些是违规求助? 3336794
关于积分的说明 10282208
捐赠科研通 3053626
什么是DOI,文献DOI怎么找? 1675672
邀请新用户注册赠送积分活动 803659
科研通“疑难数据库(出版商)”最低求助积分说明 761495