Prediction of Highly Non-stationary Time Series Using Higher-Order Neural Units

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F17%3A00315468" target="_blank" >RIV/68407700:21220/17:00315468 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-69835-9_74" target="_blank" >http://dx.doi.org/10.1007/978-3-319-69835-9_74</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-69835-9_74" target="_blank" >10.1007/978-3-319-69835-9_74</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Prediction of Highly Non-stationary Time Series Using Higher-Order Neural Units

Popis výsledku v původním jazyce

Adaptive predictive models can use conventional and nonconventional neural networks for highly non-stationary time series prediction. However, conventional neural networks present a series of known drawbacks. This paper presents a brief discussion about this concern as well as how the basis of higher-order neural units can overcome some of them; it also describes a sliding window technique alongside the batch optimization technique for capturing the dynamics of non-stationary time series over a Quadratic Neural Unit, a special case of higher-order neural units. Finally, an experimental analysis is presented to demonstrate the effectiveness of the proposed approach.

Název v anglickém jazyce

Prediction of Highly Non-stationary Time Series Using Higher-Order Neural Units

Popis výsledku anglicky

Adaptive predictive models can use conventional and nonconventional neural networks for highly non-stationary time series prediction. However, conventional neural networks present a series of known drawbacks. This paper presents a brief discussion about this concern as well as how the basis of higher-order neural units can overcome some of them; it also describes a sliding window technique alongside the batch optimization technique for capturing the dynamics of non-stationary time series over a Quadratic Neural Unit, a special case of higher-order neural units. Finally, an experimental analysis is presented to demonstrate the effectiveness of the proposed approach.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 12th International Conference on P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC-2017)

ISBN

978-3-319-69835-9

ISSN

—

e-ISSN

—

Počet stran výsledku

9

Strana od-do

787-795

Název nakladatele

Springer International Publishing AG

Místo vydání

Cham

Místo konání akce

Barcelona

Datum konání akce

8. 11. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—