Echo state siete a ich využitie na predpovedanie časových radov
Echo state networks and their application in time series prediction
Echo state sítě a jejich využití na předpovídání časových řad
bachelor thesis (DEFENDED)
View/ Open
Permanent link
http://hdl.handle.net/20.500.11956/105388Identifiers
Study Information System: 210584
Collections
- Kvalifikační práce [11217]
Author
Advisor
Referee
Matzner, Filip
Faculty / Institute
Faculty of Mathematics and Physics
Discipline
Programming and Software Systems
Department
Department of Software and Computer Science Education
Date of defense
14. 2. 2019
Publisher
Univerzita Karlova, Matematicko-fyzikální fakultaLanguage
Slovak
Grade
Excellent
Keywords (Czech)
echo state sítě, neuronové sítě, časové řadyKeywords (English)
echo state network, neural network, time seriesRekurentné neurónové siete (RNN) umožňujú modelovať dynamické systémy s premenlivou dĺžkou vstupu. Ich nevýhoda je v náročnom učení, teda ťažkom nastavovaní váh neurónov, ktoré sú v sieti spojené. Echo state siete (ESN) sú zvláštnym typom RNN, ktoré sa naopak dajú učiť relatívne jednoducho. Majú rezervoár neurónov, ktorých stav odráža históriu všetkých signálov v sieti, a preto je tento typ sietí vhodný na simuláciu a predikciu časových postupností. Dosia- hnutie maximálneho výkonu ESN vyžaduje veľmi precízne nastavenie a experi- mentovanie. Preto sme v tejto práci vytvorili nástroj pre konštruovanie a testova- nie takýchto sietí. Pre účely vyskúšania vytvoreného nástroja sme implementovali úlohu predpovedania vývoja časových radov. Konkrétne sme sa zamerali na pred- povedanie vývoja cien akcií, čo predstavuje veľmi neistú a pre presnú predpoveď veľmi náročnú oblasť. Výsledky našich experimentov sme porovnali s výsledkami iných nástrojov, a zistili sme, že náš nástroj dáva porovnateľné výsledky. 1
Recurrent neural networks (RNN) enable to model dynamical sys- tems with variable input length. Their disadvantage is in inherently difficult trai- ning which means adjusting weights of connections between neurons connected in the network. Echo state networks (ESN) are a special type of RNN which are by contrast trainable rather simply. They include a reservoir of neurons whose state reflect the history of all signals in the network and that is why this type of network is suitable for simulation and prediction of time series. To maximize the computational power of ESN, very precise adjusting and experimenting are required. Because of that, we have created a tool for building and testing such networks. We have implemented a time series forecasting task for the purpose of examination of our tool. We have focused on stock price prediction, which repre- sents an uncertain and complicated area for achieving precise results in. We have compared our tool to other tools and it was comparably successful. 1