Генеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальник
Encoder-decoder neural network models have found widespread use in recent years for solving various machine learning problems. In this paper, we investigate the variety of such models, including the sparse, denoising and variational autoencoders. To predict non-stationary time series, a generative m...
Збережено в:
| Дата: | 2022 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Англійська |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2022
|
| Теми: | |
| Онлайн доступ: | http://journal.iasa.kpi.ua/article/view/259236 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
Репозитарії
System research and information technologies| _version_ | 1856543552519012352 |
|---|---|
| author | Nedashkovskaya, Nadezhda Androsov, Dmytro |
| author_facet | Nedashkovskaya, Nadezhda Androsov, Dmytro |
| author_sort | Nedashkovskaya, Nadezhda |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2022-06-21T10:27:50Z |
| description | Encoder-decoder neural network models have found widespread use in recent years for solving various machine learning problems. In this paper, we investigate the variety of such models, including the sparse, denoising and variational autoencoders. To predict non-stationary time series, a generative model is presented and tested, which is based on a variational autoencoder, GRU recurrent networks, and uses elements of neural ordinary differential equations. Based on the constructed model, the system is implemented in the Python3 environment, the TensorFlow2 framework and the Keras library. The developed system can be used for modeling continuous time-dependent processes. The system minimizes a human factor in the process of time series analysis, and presents a high-level modern interface for fast and convenient construction and training of deep models. |
| first_indexed | 2025-07-17T10:27:53Z |
| format | Article |
| id | journaliasakpiua-article-259236 |
| institution | System research and information technologies |
| language | English |
| last_indexed | 2025-07-17T10:27:53Z |
| publishDate | 2022 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| spelling | journaliasakpiua-article-2592362022-06-21T10:27:50Z Generative time series model based on encoder-decoder architecture Генеративная модель для прогнозирования временных рядов на основе архитектуры кодировщик-декодировщик Генеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальник Nedashkovskaya, Nadezhda Androsov, Dmytro прогнозування варіаційний автокодувальник рекурентна нейронна мережа типу GRU нейронне звичайне диференціальне рівняння латентний простір нестаціонарний часовий ряд прогнозирование вариационный автокодировщик рекуррентная нейронная сеть типа GRU нейронное обыкновенное дифференциальное уравнение латентное пространство нестационарный временной ряд prediction variational autoencoder GRU recurrent neural network neural ordinary differential equation latent space nonstationary time series Encoder-decoder neural network models have found widespread use in recent years for solving various machine learning problems. In this paper, we investigate the variety of such models, including the sparse, denoising and variational autoencoders. To predict non-stationary time series, a generative model is presented and tested, which is based on a variational autoencoder, GRU recurrent networks, and uses elements of neural ordinary differential equations. Based on the constructed model, the system is implemented in the Python3 environment, the TensorFlow2 framework and the Keras library. The developed system can be used for modeling continuous time-dependent processes. The system minimizes a human factor in the process of time series analysis, and presents a high-level modern interface for fast and convenient construction and training of deep models. Модели нейронных сетей на основе архитектуры кодировщик- декодировщик нашли широкое распространение в последние годы при решении различных задач машинного обучения. Исследованы разновидности таких моделей, среди которых разреженный, шумоподавляющий и вариационный автокодировщики. Для прогнозирования нестационарного временного ряда представлена и протестирована порождающая модель, которая основана на вариационном автокодировщике, блоках рекуррентных сетей типа GRU и использует элементы нейронных обыкновенных дифференциальных уравнений. На основе построенной модели реализована система в среде Рython3 с использованием фреймворка TensorFlow2 и библиотеки Keras. Разработанная система может использоваться для моделирования процессов, зависящих от непрерывного времени. Система минимизирует вмешательство человека в процесс анализа временных рядов, представляет высокоуровневый современный интерфейс для быстрого и удобного конструирования и обучения глубоких моделей. Моделі нейронних мереж на основі архітектури кодувальник- декодувальник знайшли широке застосування в останні роки для розв’язання різноманітних задач машинного навчання. Досліджено різновиди таких моделей, серед яких розріджений, шумопригнічувальний та варіаційний автокодувальники. Для прогнозування нестаціонарного часового ряду подано і протестовано модель, що базується на варіаційному автокодувальнику, блоках рекурентних мереж типу GRU і використовує елементи нейронних звичайних диференціальних рівнянь. На основі побудованої моделі реалізовано систему у середовищі Рython3 з використанням фреймворку TensorFlow2 та бібліотеки Keras. Розроблена система може використовуватися для моделювання процесів, що залежать від неперервного часу. Система мінімізує втручання людини у процес аналізу часових рядів, представляє високорівневий сучасний інтерфейс для швидкого і зручного конструювання та навчання глибоких моделей. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2022-04-25 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/259236 10.20535/SRIT.2308-8893.2022.1.08 System research and information technologies; No. 1 (2022); 97-109 Системные исследования и информационные технологии; № 1 (2022); 97-109 Системні дослідження та інформаційні технології; № 1 (2022); 97-109 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/259236/255872 |
| spellingShingle | прогнозування варіаційний автокодувальник рекурентна нейронна мережа типу GRU нейронне звичайне диференціальне рівняння латентний простір нестаціонарний часовий ряд Nedashkovskaya, Nadezhda Androsov, Dmytro Генеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальник |
| title | Генеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальник |
| title_alt | Generative time series model based on encoder-decoder architecture Генеративная модель для прогнозирования временных рядов на основе архитектуры кодировщик-декодировщик |
| title_full | Генеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальник |
| title_fullStr | Генеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальник |
| title_full_unstemmed | Генеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальник |
| title_short | Генеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальник |
| title_sort | генеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальник |
| topic | прогнозування варіаційний автокодувальник рекурентна нейронна мережа типу GRU нейронне звичайне диференціальне рівняння латентний простір нестаціонарний часовий ряд |
| topic_facet | прогнозування варіаційний автокодувальник рекурентна нейронна мережа типу GRU нейронне звичайне диференціальне рівняння латентний простір нестаціонарний часовий ряд прогнозирование вариационный автокодировщик рекуррентная нейронная сеть типа GRU нейронное обыкновенное дифференциальное уравнение латентное пространство нестационарный временной ряд prediction variational autoencoder GRU recurrent neural network neural ordinary differential equation latent space nonstationary time series |
| url | http://journal.iasa.kpi.ua/article/view/259236 |
| work_keys_str_mv | AT nedashkovskayanadezhda generativetimeseriesmodelbasedonencoderdecoderarchitecture AT androsovdmytro generativetimeseriesmodelbasedonencoderdecoderarchitecture AT nedashkovskayanadezhda generativnaâmodelʹdlâprognozirovaniâvremennyhrâdovnaosnovearhitekturykodirovŝikdekodirovŝik AT androsovdmytro generativnaâmodelʹdlâprognozirovaniâvremennyhrâdovnaosnovearhitekturykodirovŝikdekodirovŝik AT nedashkovskayanadezhda generativnamodelʹdlâprognozuvannâčasovihrâdívnaosnovíarhítekturikoduvalʹnikdekoduvalʹnik AT androsovdmytro generativnamodelʹdlâprognozuvannâčasovihrâdívnaosnovíarhítekturikoduvalʹnikdekoduvalʹnik |