주가지수, 환율 등과 같은 시계열자료에 대한 예측은 이해관계자들에게 미치는 영향이 크기 때문에 여러 연구자들의 주요 연구주제가 되어왔다. 지금까지 시계열데이터 예측에는 ARIMA와 같은 통계적인 기법들과 인공신경망을 활용한 방법들이 주로 사용되어 왔으며, 일부 연구자들은 예측 정확도를 높이기 위하여 ARIMA와 인공신경망을 결합한 혼합 모델을 제시하였다. 이 논문에서는 시계열데이터 예측문제에 LSTM/GRU ...
주가지수, 환율 등과 같은 시계열자료에 대한 예측은 이해관계자들에게 미치는 영향이 크기 때문에 여러 연구자들의 주요 연구주제가 되어왔다. 지금까지 시계열데이터 예측에는 ARIMA와 같은 통계적인 기법들과 인공신경망을 활용한 방법들이 주로 사용되어 왔으며, 일부 연구자들은 예측 정확도를 높이기 위하여 ARIMA와 인공신경망을 결합한 혼합 모델을 제시하였다. 이 논문에서는 시계열데이터 예측문제에 LSTM/GRU 순환신경망을 사용하는 새로운 방법을 제시한다. LSTM/GRU 순환신경망과 함께 더불어 최근 딥러닝 분야의 성과인 Dropout 과다학습 방지와 Xavier 가중치 초기화 기법을 적용하여 기존의 방법론보다 향상된 예측 정확도를 갖는 시계열데이터 예측 모델을 구축하였다. 공개 데이터에 대한 실험을 통해 제안모델이 기존의 모델들과 비교하여 더 높은 예측 정확도를 보임을 입증한다.
주가지수, 환율 등과 같은 시계열자료에 대한 예측은 이해관계자들에게 미치는 영향이 크기 때문에 여러 연구자들의 주요 연구주제가 되어왔다. 지금까지 시계열데이터 예측에는 ARIMA와 같은 통계적인 기법들과 인공신경망을 활용한 방법들이 주로 사용되어 왔으며, 일부 연구자들은 예측 정확도를 높이기 위하여 ARIMA와 인공신경망을 결합한 혼합 모델을 제시하였다. 이 논문에서는 시계열데이터 예측문제에 LSTM/GRU 순환신경망을 사용하는 새로운 방법을 제시한다. LSTM/GRU 순환신경망과 함께 더불어 최근 딥러닝 분야의 성과인 Dropout 과다학습 방지와 Xavier 가중치 초기화 기법을 적용하여 기존의 방법론보다 향상된 예측 정확도를 갖는 시계열데이터 예측 모델을 구축하였다. 공개 데이터에 대한 실험을 통해 제안모델이 기존의 모델들과 비교하여 더 높은 예측 정확도를 보임을 입증한다.
Forecasting for time series data such as stock price, exchange rate, sales amount has been very important subject for many researchers. Traditionally, statistic based ARIMA model and simple feed forward neural networks model have been used widely in real world. Some researchers suggested hybrid mode...
Forecasting for time series data such as stock price, exchange rate, sales amount has been very important subject for many researchers. Traditionally, statistic based ARIMA model and simple feed forward neural networks model have been used widely in real world. Some researchers suggested hybrid model of the two to improve forecasting precision. Recurrent neural networks has a special nature to learn how things change as time flows. But it has not been used often in time series forecasting domain because training recurrent neural networks was not easy thing due to some unsolved problems including vanishing gradient. In this paper, I suggest new approach using LSTM/GRU recurrent neural networks in the time series forecasting problems. By incorporating recurrent neural networks, LSTM/GRU cell, and recent deep learning theories such as Dropout and Xavier parameter initialization, it is possible to establish the time series forecasting model that has higher prediction precision than current models. This paper proves it by experiments on open datasets.
Forecasting for time series data such as stock price, exchange rate, sales amount has been very important subject for many researchers. Traditionally, statistic based ARIMA model and simple feed forward neural networks model have been used widely in real world. Some researchers suggested hybrid model of the two to improve forecasting precision. Recurrent neural networks has a special nature to learn how things change as time flows. But it has not been used often in time series forecasting domain because training recurrent neural networks was not easy thing due to some unsolved problems including vanishing gradient. In this paper, I suggest new approach using LSTM/GRU recurrent neural networks in the time series forecasting problems. By incorporating recurrent neural networks, LSTM/GRU cell, and recent deep learning theories such as Dropout and Xavier parameter initialization, it is possible to establish the time series forecasting model that has higher prediction precision than current models. This paper proves it by experiments on open datasets.
주제어
#시계열데이터 예측 순환신경망 딥러닝 인공신경망 time series LSTM GRU RNN recurrent neural networks forcasting prediction
학위논문 정보
저자
김호현
학위수여기관
한국방송통신대학교
학위구분
국내석사
학과
정보과학과
지도교수
이관용
발행연도
2017
총페이지
v, 40장
키워드
시계열데이터 예측 순환신경망 딥러닝 인공신경망 time series LSTM GRU RNN recurrent neural networks forcasting prediction
※ AI-Helper는 부적절한 답변을 할 수 있습니다.