Resumen

Los datos de series temporales complejas están muy presentes en los sistemas reales, y su previsión tiene una gran importancia práctica. Al mismo tiempo, el modelo lineal clásico no puede obtener un rendimiento satisfactorio debido a la no linealidad y a las características multicomponentes. Basándose en el mecanismo impulsado por los datos, este trabajo propone un método de aprendizaje profundo acoplado a la optimización bayesiana basado en la descomposición wavelet para modelar los datos de las series temporales y pronosticar su tendencia. En primer lugar, los datos se descomponen mediante la transformación wavelet para reducir la complejidad de los datos de las series temporales. La red Gated Recurrent Unit (GRU) se entrena como un submodelo para cada componente de la descomposición. Los hiperparámetros de la descomposición wavelet y de cada submodelo se optimizan con la optimización bayesiana basada en modelos de secuencia (SMBO) para desarrollar la precisión del modelado. Finalmente, los resultados de todos los submodelos se suman para obtener resultados de previsión. Para los experimentos se utilizan los datos de PM2,5 recogidos por la estación de control de la calidad del aire de Estados Unidos. En comparación con otras redes, se puede comprobar que el método propuesto obtiene buenos resultados en la tarea de previsión de múltiples pasos para las series temporales complejas.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:datos de series temporales, series temporales complejas, descomposición wavelet, métodos de aprendizaje profundo, hiperparámetros de wavelet, monitorización de la calidad del aire, unidad recurrente cerrada, modelo lineal clásico, modelo secuencial bayesiano, calidad del aire en EE.UU.
• Keywords:time series data, complex time series, wavelet decomposition, deep learning methods, hyperparameters of wavelet, air quality monitoring, gated recurrent unit, classical linear model, bayesian sequence model, us air quality