English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Искусственные нейронные сети (ИНС) являются гибкой вычислительной структурой и универсальным аппроксиматором, они могут быть использованы в прогнозировании временных рядов широкого спектра (в экономике, бизнесе, инженерной науке, обмене валют и других сферах) с высокой точностью. В отличие от традиционных эмпирических и статистических методов, как например, регрессионного анализа или подходов Бокса-Дженкинса, где необходимы широкие знания о свойствах данных проблемы, ИНС являются методом самообучения, которым необходим только небольшой объём данных о проблеме. ИНС способны к обобщению - они обучаются по образцам, и могут найти взаимосвязь между данными, даже если эта взаимосвязь неизвестна или её физический смысл трудно понять, или даже если входные данные содержат шум и хаотические компоненты. ИНС могут аппроксимировать любую непрерывную функцию с любой желаемой точностью. Самый распространённый вид ИНС для прогнозирования временных рядов это многослойная сеть обратного распространения ошибки, которая принадлежит к классу сетей прямого распространения, но и другой вид нейронных сетей - рекуррентная сеть Элмана - показала хорошие результаты прогнозирования. Модель, обученную на тренировочных данных с определёнными весами, можно использовать для прогнозирования неизвестной величины временного ряда в тестовых данных. Так как реальные проблемы по природе являются сложными, то ни одна отдельная модель не может обучаться на разных выборках данных одинаково хорошо. Точность прогнозирования увеличивается, если модели комбинируются. Целью гибридных моделей прогнозирования является уменьшение риска, который может возникнуть при выборе неправильной модели, и повышение точности прогнозирования. Гибридные модели могут быть однородные, например, объединяя ИНС разных конфигураций, или неоднородные, объединяя линейную и нелинейную модель, так как реальные временные ряды содержат и линейную и нелинейную компоненту. Хорошей точности прогнозирования достигли модели, которые объединяют вейвлет-анализ (декомпозицию) с ИНС, и модели, которые объединяют интегрированную модель авторегрессии скользящего среднего (ИМАРСС) с ИНС. Вейвлет-декомпозиция используется, чтобы получить частотно-временное представление временного ряда. Оригинальный временной ряд с помощью вейвлет-декомпозиции может быть разложен на несколько компонент, и новый временной ряд, который состоит из этих компонент, передаётся в ИНС для прогнозирования. Другим видом гибрида может быть ИНС вместе с ИМАРСС. Так как ИМАРСС предназначен для прогнозирования линейных процессов, то с его помощью можно получить линейную компоненту прогноза, а ИНС может использоваться для прогнозирования нелинейной компоненты прогноза, потом эти компоненты складываются и дают окончательный результат

information technology and management science

Methods of Forecasting Based on Artificial Neural Networks/ Prognozēšanas metodes, kas balstītas uz mākslīgajiem neironu tīkliem/ Методы прогнозирования, основанные на искусственных нейронных сетях