Generative time series model based on encoder-decoder architecture

Скорочена інформація про документ
dc.contributor.authorNedashkovskaya, Nadezhda I.
dc.contributor.authorAndrosov, Dmytro V.
dc.date.accessioned2022-11-10T13:05:42Z
dc.date.available2022-11-10T13:05:42Z
dc.date.issued2022
dc.description.abstractenEncoder-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.uk
dc.description.abstractukМоделі 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.uk
dc.format.pagerangeС. 97-109uk
dc.identifier.citationNedashkovskaya, N. I. Generative time series model based on encoder-decoder architecture / N. I. Nedashkovskaya, D. V. Androsov // Системні дослідження та інформаційні технології : міжнародний науково-технічний журнал. – 2022. – № 1. – С. 97-109. – Бібліогр.: 26 назв.uk
dc.identifier.doihttps://doi.org/10.20535/SRIT.2308-8893.2022.1.08
dc.identifier.orcid0000-0002-8277-3095uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/51021
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceСистемні дослідження та інформаційні технології : міжнародний науково-технічний журнал, № 1uk
dc.subjectpredictionuk
dc.subjectvariational autoencoderuk
dc.subjectGRU recurrent neural networkuk
dc.subjectneural ordinary differential equationuk
dc.subjectlatent spaceuk
dc.subjectnonstationary time seriesuk
dc.subjectпрогнозуванняuk
dc.subjectваріаційний автокодувальникuk
dc.subjectрекурентна нейронна мережа типу GRUuk
dc.subjectнейронне звичайне диференціальне рівнянняuk
dc.subjectлатентний простірuk
dc.subjectнестаціонарний часовий рядuk
dc.subject.udc004.85uk
dc.titleGenerative time series model based on encoder-decoder architectureuk
dc.title.alternativeГенеративна модель для прогнозування часових рядів на основі архітектури кодувальник-декодувальникuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
2022_1_97-109.pdf
Розмір:
499.18 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Системні дослідження та інформаційні технології: міжнародний науково-технічний журнал, № 1