Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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