Рекурентні нейронні мережі для прогнозування часових рядів. Вибір оптимальної архітектури для прогнозування пасажиропотоку
DOI:
https://doi.org/10.18372/1990-5548.72.16941Ключові слова:
нейронні мережі, рекурентні нейронні мережі, архітектура LSTM, архітектура GRU, часові ряди, пасажиропотікАнотація
Точне прогнозування пасажиропотоку міського транспорту має велике значення для планування транспортних ресурсів, громадської безпеки та оцінки ризиків. Традиційні статистичні підходи до прогнозування часових рядів не ефективні на практиці. Вони часто вимагають або суворої, або слабкої стаціонарності даних, яку майже неможливо отримати за реальними даними. Альтернативним методом є прогнозування часових рядів за допомогою нейронних мереж. За своєю природою нейронні мережі є нелінійними і навчаються на основі вхідних і вихідних даних. При такому підході підвищення ефективності мережі зводиться до збільшення обсягу даних вихідної вибірки. Сьогодні для прогнозування часових рядів в основному використовується клас рекурентних нейронних мереж. Ще одним важливим етапом є вибір архітектури нейронної мережі. У даній статті розглядається використання архітектури нейронних мереж LSTM і GRU, а також порівнюється ефективність їх використання для прогнозування пасажиропотоку.
Посилання
Chirag Kothari, US Airline passengers from 1949 to 1960. Kaggle. 2018, April. [Online]. Available: https://www.kaggle.com/datasets/chirag19/air-passengers.
Jayesh Bapu Ahire, The Artificial Neural Networks. Part 1, 2018, August. [Online]. Available: https://www.datasciencecentral.com/the-artificial-neural-networks-handbook-part-1.
Savvas Varsamopoulos, and Koen Almudever, “Designing neural network based decoders for surface codes,” pp. 1–12, Nov. 2018.
Christopher Olah, Understanding LSTM Networks. 2015, August. [Online]. Available: http://colah.github.io/posts/2015-08-Understanding-LSTMs.
Michael Phi, “Illustrated Guide to LSTM and GRU,” Medium Blog. 2018, September. [Online]. Available: https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21.
Fulvia Ceccarelli, and Marco Sciandrone, “Prediction of chronic damage in systemic lupus erythematosus by using machine-learning models,” Plos One. 12(3), 2017, March. Available: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0174200. https://doi.org/10.1371/journal.pone.0174200
Kyungdoo Nam and Thomas Schaefer, Forecasting international airline passenger traffic using neural networks, pp. 239–252. 1995, September. [Online]. Available: https://www.researchgate.net/publication/233684273_Neural_network_forecasting_for_airlines_A_comparative_analysis.
Diederik P. Kingma, and Jimmy Lei Ba, “Adam: A method for Stochastic Optimization,” 3rd International Conference for Learning Representations, San Diego. 2015, June. [Online]. Available: https://arxiv.org/abs/1412.6980
Bowen Du, and Hao Peng, “Deep Irregular Convolutional Residual LSTM for Urban Traffic Passenger Flows Prediction,” IEEE Transactions on Intelligent Transportation Systems, 2020, March, pp. 972–985. https://doi.org/10.1109/TITS.2019.2900481
W. Min, and L. Wynter, “Real-time road traffic prediction with spatiotemporal correlations,” Transportation Research Part C: Emerging Technologies, vol. 19, no. 4, pp. 606–616, August 2011. https://doi.org/10.1016/j.trc.2010.10.002
A. Abadi, T. Rajabioun, and P. A. Ioannou, “Traffic flow prediction for road transportation networks with limited traffic data,” IEEE Trans. Intell. Transp. Syst., vol. 16, no. 2, Apr. 2015, pp. 653–662.
Quang Hung Do, “Forecasting Air Passenger Demand: A Comparisonof LSTM and SARIMA,” Journal of Computer Science, 16(7): 1063, Jul, 2020. https://doi.org/10.3844/jcssp.2020.1063.1084
S. Haykin, Neural networks. A comprehensive Foundation. Second edition, in Prentice Hall, 2020, pp. 919–925.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
