Recurrent Neural Networks for Time Series Forecasting. Choosing the best Architecture for Passenger Traffic Data
| Autor: | Leonid Sibruk, Ihor Zakutynskyi |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2022 |
| Předmět: |
пассажиропоток
архітектура LSTM passenger flow neural networks нейронні мережі aрхитектура LSTM архітектура GRU LST Marchitecture GRU architecture рекуррентные нейронные сети архитектура GRU рекурентні нейронні мережі recurrent neural networks нейронные сети time series часові ряди временные ряды пасажиропотік |
| Zdroj: | Electronics and Control Systems; Vol. 2 No. 72 (2022); 38-44 Электроника и системы управления; Том 2 № 72 (2022); 38-44 Електроніка та системи управління; Том 2 № 72 (2022); 38-44 |
| ISSN: | 1990-5548 |
| Popis: | Accurately predicting the urban traffic passenger flow is of great importance for transportation resource scheduling, planning, public safety, and risk assessment. Traditional statistical approaches for forecasting time series are not effective in practice. They often require either strict or weak data stationarity, which is almost impossible to obtain with real data. An alternative method is time series forecasting using neural networks. By their nature, neural networks are non-linear and learn based on input and output data. With this approach, increasing the efficiency of the network is reduced to increasing the amount of data of the initial sample. Today, the class of recurrent neural networks is mainly used for forecasting time series. Another important stage is the choice of neural network architecture. In this article the use of long short term memory and gated recurrent units architecture is considered and also is compared their performance for passenger flow forecasting. Точное прогнозирование пассажиропотока городского транспорта имеет большое значение для планирования транспортных ресурсов, общественной безопасности и оценки рисков. Традиционные статистические подходы к прогнозированию временных рядов не эффективны на практике. Они часто требуют либо строгой, либо слабой стационарности данных, которую почти невозможно получить на реальных данных. Альтернативным методом является прогнозирование временных рядов с помощью нейронных сетей. По своей природе нейронные сети нелинейны и обучаются на основе входных и исходных данных. При таком подходе повышение эффективности сети сводится к увеличению объема данных исходной выборки. Сегодня для прогнозирования временных рядов в основном используется класс рекуррентных нейронных сетей. Еще одним важным этапом является выбор архитектуры нейронной сети. В данной статье рассматривается использование архитектуры нейронных сетей LSTM и GRU, а также сравнивается эффективность их использования для прогнозирования пассажиропотока. Точне прогнозування пасажиропотоку міського транспорту має велике значення для планування транспортних ресурсів, громадської безпеки та оцінки ризиків. Традиційні статистичні підходи до прогнозування часових рядів не ефективні на практиці. Вони часто вимагають або суворої, або слабкої стаціонарності даних, яку майже неможливо отримати за реальними даними. Альтернативним методом є прогнозування часових рядів за допомогою нейронних мереж. За своєю природою нейронні мережі є нелінійними і навчаються на основі вхідних і вихідних даних. При такому підході підвищення ефективності мережі зводиться до збільшення обсягу даних вихідної вибірки. Сьогодні для прогнозування часових рядів в основному використовується клас рекурентних нейронних мереж. Ще одним важливим етапом є вибір архітектури нейронної мережі. У даній статті розглядається використання архітектури нейронних мереж LSTM і GRU, а також порівнюється ефективність їх використання для прогнозування пасажиропотоку. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|