Uma Comparação entre ARIMA, LSTM e GRU para Previsão de Séries Temporais

Uma área crítica do aprendizado de máquina é a previsão de séries temporais, já que vários problemas de previsão contêm um componente temporal. Uma série de observações registradas cronologicamente é conhecida como Série Temporal. Neste trabalho, no entanto, buscamos comparar três modelos diferentes de aprendizado de máquina para fazer previsões de séries temporais. Vamos utilizar o conjunto de dados do preço do Bitcoin como nosso conjunto de dados de séries temporais e fazer previsões de acordo. Os resultados mostram que o modelo ARIMA apresentou resultados melhores do que os modelos de regressão baseados em aprendizado profundo. O ARIMA fornece os melhores resultados com 2,76% e 302,53 para MAPE e RMSE, respectivamente. No entanto, a Unidade Recurrente Gated (GRU) teve um desempenho melhor do que a Memória de Longo Prazo e Curto Prazo (LSTM), com 3,97% e 381,34 de MAPE e RMSE, respectivamente.