دمج مجموعة شبكات LSTM من خلال الوزن التكيفي من أجل تحسين توقعات السلاسل الزمنية

يعد توقع السلاسل الزمنية أساسيًا لمجموعة متنوعة من التطبيقات الهندسية في المالية والجيولوجيا وتكنولوجيا المعلومات، وغيرها. تكتسب شبكات الذاكرة طويلة وقصيرة المدى (LSTM) اهتمامًا متجددًا هذه الأيام وتستبدل العديد من التطبيقات العملية لأنظمة توقع السلاسل الزمنية. تقدم هذه الورقة خوارزمية جديدة لتوقع المجموعة باستخدام LSTM والتي تجمع بشكل فعال نتائج توقعات متعددة من مجموعة من شبكات LSTM الفردية. يتم تلخيص المزايا الرئيسية لطريقتنا في مجموعة LSTM مقارنة بتقنيات المجموعة الحديثة الأخرى كما يلي: (1) نحن نطور طريقة جديدة لضبط الأوزان المدمجة بشكل ديناميكي المستخدمة في دمج نماذج LSTM متعددة لإنتاج نتيجة التوقع المركب؛ لهذا، طريقتنا مصممة لتحديث أوزان الدمج في كل خطوة زمنية بطريقة تكيفية وتكرارية باستخدام كل من أخطاء التوقع السابقة وعامل نسيان الوزن؛ (2) طريقتنا قادرة على التقاط الخصائص الإحصائية غير الخطية في السلاسل الزمنية، مما يحسن بشكل كبير من دقة التوقع؛ (3) طريقتنا سهلة التنفيذ وفعّالة حسابيًا عندما يتعلق الأمر بأداء وقت التشغيل لأنها لا تتطلب تحسينًا معقدًا في عملية إيجاد أوزان الدمج. تظهر التجارب المقارنة أن طريقة مجموعة LSTM المقترحة تحقق أداءً متطورًا في التوقعات على أربعة مجموعات بيانات زمنية حقيقية متاحة للعامة.