Sistemas de Aprendizado Amplo Recorrentes para Previsão de Séries Temporais

O sistema de aprendizado amplo (BLS) é uma abordagem emergente para modelagem eficaz e eficiente de sistemas complexos. As entradas são transferidas e colocadas nos nós de características, e então enviadas para os nós de aprimoramento para transformação não linear. A estrutura de um BLS pode ser estendida de maneira ampla. Algoritmos de aprendizado incremental são projetados para aprendizado rápido em ampla expansão. Com base nos BLS típicos, um novo BLS recorrente (RBLS) é proposto neste artigo. Os nós nas unidades de aprimoramento do BLS são conectados de forma recorrente, com o propósito de capturar as características dinâmicas de uma série temporal. Um autoencoder esparso é usado para extrair as características da entrada em vez dos pesos inicializados aleatoriamente. Dessa forma, o RBLS retém a vantagem de cálculo rápido e é adequado para processar dados sequenciais. Motivados pela ideia de "ajuste fino" em aprendizado profundo, os pesos no RBLS podem ser atualizados por métodos de gradiente conjugado se os erros de previsão forem grandes. Exibimos as vantagens de nosso modelo proposto em várias séries temporais caóticas. Resultados experimentais substanciam a eficácia do RBLS. Para conjuntos de dados de referência caóticos, o RBLS alcança erros muito pequenos e, para o conjunto de dados do mundo real, o desempenho é satisfatório.