在规律变化迅速的类似股票的时间序列的预测问题上,传统离线模型无法即时对自身进行调整而导致模型准确度降低,而传统在线模型也会因为异常数据导致模型不稳定,为提高神经网络模型对时间序列的预测准确度和模型的稳定性,文章提出了一种...在规律变化迅速的类似股票的时间序列的预测问题上,传统离线模型无法即时对自身进行调整而导致模型准确度降低,而传统在线模型也会因为异常数据导致模型不稳定,为提高神经网络模型对时间序列的预测准确度和模型的稳定性,文章提出了一种基于后验异常检测的门控循环单元(Gated Recurrent Unit GRU)在线学习模型。该模型在网络在线学习前加入基于贝叶斯的后验异常检测算法,从而避免在线网络模型利用异常值迭代。经过30次实验的平均结果显示,加入后验异常检测的GRU网络在线学习模型要优于离线模型。而没有异常检测算法的模型则在异常值出现后会短期失效,虽然在随后正常数据的到来会逐渐修正模型,但最终的准确度反而不如离线模型,因此模型有效地提高了准确性和稳定性。展开更多
文摘在规律变化迅速的类似股票的时间序列的预测问题上,传统离线模型无法即时对自身进行调整而导致模型准确度降低,而传统在线模型也会因为异常数据导致模型不稳定,为提高神经网络模型对时间序列的预测准确度和模型的稳定性,文章提出了一种基于后验异常检测的门控循环单元(Gated Recurrent Unit GRU)在线学习模型。该模型在网络在线学习前加入基于贝叶斯的后验异常检测算法,从而避免在线网络模型利用异常值迭代。经过30次实验的平均结果显示,加入后验异常检测的GRU网络在线学习模型要优于离线模型。而没有异常检测算法的模型则在异常值出现后会短期失效,虽然在随后正常数据的到来会逐渐修正模型,但最终的准确度反而不如离线模型,因此模型有效地提高了准确性和稳定性。
