Resumen

Ha sido un tema candente y desafiante predecir las series temporales caóticas a medio y largo plazo. Combinamos autoencoders y redes neuronales convolucionales (AE-CNN) para capturar la certeza intrínseca de las series temporales caóticas. Utilizamos la teoría de transfer learning (TL) para mejorar el rendimiento de predicción a medio y largo plazo. Por lo tanto, desarrollamos un esquema de predicción para series temporales caóticas basado en AE-CNN y TL llamado AE-CNN-TL. Nuestros resultados experimentales muestran que el propuesto AE-CNN-TL tiene un rendimiento de predicción mucho mejor que cualquiera de los siguientes: AE-CNN, ARMA y LSTM.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Series temporales caóticas; Autoencoders; Redes neuronales convolucionales; Transfer learning; Rendimiento de predicción; AE-CNN-TL
• Keywords:Chaotic time series; Autoencoders; Convolutional neural networks; Transfer learning; Prediction performance; AE-CNN-TL