Resumen

La predicción de series temporales en línea es el método principal en una amplia gama de campos, que van desde el análisis del habla y la cancelación del ruido hasta el análisis del mercado de valores. Sin embargo, los datos suelen contener muchos valores atípicos con el aumento de la longitud de las series temporales en el mundo real. Estos valores atípicos pueden inducir a error al modelo aprendido si se tratan como puntos normales en el proceso de predicción. Para abordar este problema, en este trabajo proponemos un método de aprendizaje de gradiente en línea robusto y adaptativo, RoAdam (Robust Adam), para la memoria a corto plazo (LSTM) para predecir series temporales con valores atípicos. Este método ajusta la tasa de aprendizaje del algoritmo de gradiente estocástico de forma adaptativa en el proceso de predicción, lo que reduce el efecto adverso de los valores atípicos. Sigue el error de predicción relativo de la función de pérdida con una media ponderada mediante la modificación de Adam, un popular algoritmo del método de gradiente estocástico para el entrenamiento de redes neuronales profundas. En nuestro algoritmo, el valor grande del error relativo de predicción corresponde a una tasa de aprendizaje pequeña, y viceversa. Los experimentos realizados tanto con datos sintéticos como con series temporales reales muestran que nuestro método consigue un mejor rendimiento en comparación con los métodos existentes basados en LSTM.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:error relativo de predicción, proceso de predicción, métodos de aprendizaje de gradiente, tasa de aprendizaje pequeña, análisis bursátil, rango de campo, longitud de tiempo, algoritmo de gradiente estocástico, series temporales en línea, series temporales reales
• Keywords:relative prediction error, process of prediction, gradient learning methods, small learning rate, stock market analysis, range of field, length of time, stochastic gradient algorithm, online time series, real time series