Overcoming the Challenges of Uncertainty in Forecasting Economic Time Series Through Convolutional Neural Networks and Other Intelligent Approaches
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27510%2F23%3A10253257" target="_blank" >RIV/61989100:27510/23:10253257 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-031-39777-6_61" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-39777-6_61</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-39777-6_61" target="_blank" >10.1007/978-3-031-39777-6_61</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Overcoming the Challenges of Uncertainty in Forecasting Economic Time Series Through Convolutional Neural Networks and Other Intelligent Approaches
Popis výsledku v původním jazyce
This article provides insights into the use of artificial neural networks (ANNs) and convolutional neural networks (CNNs) as the tools for forecasting economic time series, where uncertainty refers to incomplete information about the future. To improve the forecasting ability of CNN architectures and capture long-term dependencies in the input sequence we used the WaveNet models which dilate convolutions with skip connections in the input sequence. The residual blocks with skip connections are defined in a specific way that allows for easier information flow through the network while avoiding the vanishing gradient problem, making it a potential innovation in the field of deep learning. Another innovative aspect is the use one-hot encoding for the target sequences using categorical cross-entropy loss function.
Název v anglickém jazyce
Overcoming the Challenges of Uncertainty in Forecasting Economic Time Series Through Convolutional Neural Networks and Other Intelligent Approaches
Popis výsledku anglicky
This article provides insights into the use of artificial neural networks (ANNs) and convolutional neural networks (CNNs) as the tools for forecasting economic time series, where uncertainty refers to incomplete information about the future. To improve the forecasting ability of CNN architectures and capture long-term dependencies in the input sequence we used the WaveNet models which dilate convolutions with skip connections in the input sequence. The residual blocks with skip connections are defined in a specific way that allows for easier information flow through the network while avoiding the vanishing gradient problem, making it a potential innovation in the field of deep learning. Another innovative aspect is the use one-hot encoding for the target sequences using categorical cross-entropy loss function.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10200 - Computer and information sciences
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Lecture Notes in Networks and Systems. Volume 759
ISBN
978-3-031-39776-9
ISSN
2367-3370
e-ISSN
2367-3389
Počet stran výsledku
8
Strana od-do
515-522
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Istanbul
Datum konání akce
22. 8. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—