최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.32 no.1, 2019년, pp.69 - 81
김지영 (성균관대학교 통계학과) , 백창룡 (성균관대학교 통계학과)
We consider bivariate long range dependent (LRD) time series forecasting using a deep learning method. A long short-term memory (LSTM) network well-suited to time series data is applied to forecast bivariate time series; in addition, we compare the forecasting performance with bivariate fractional a...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
이변량 장기종속시계열이란 무엇인가? | 이변량 장기종속시계열은 이를 확장하여 두 개의 정상시계열이 벡터(vector) 형태로 나타나는 시계열이다. 이변량 또는 다변량 종속시계열에 대한 연구는 여러 연구자에 의해 고려되었으며 Kechagias와 Pipiras (2015)가 정리한 이론적 토대를 바탕으로 소개하고자 한다. | |
반복횟수와 히든유닛의 개수를 임의로 정하지 않고 몇 가지 조합을 통해 가장 낮은 MSE를 갖는 반복횟수와 히든유닛 개수를 사용하기 위한 방법은 어떻게 이루어지는가? | (1) 데이터를 학습용(train), 검증용(validation), 테스트용(test) 데이터로 나눈다. (2) 시드(seed)를 고정하고 히든유닛 개수와 반복횟수의 모든 조합에 대해 학습용 데이터로 모형을 학습시킨다. (3) 검증용 데이터를 이용하여 학습된 모형을 검증한다. 이 때 반복횟수에 따른 학습용 오류(loss)와 검증용 오류의 변화를 그래프를 통해 확인하며 과적합(overfitting) 또는 소적합(underfitting)이 발생하는지 확인한다. (4) 검증용 데이터에 학습된 모형을 적합 시켜 보았을 때, 가장 낮은 MSE를 갖는 히든유닛 개수와 반복횟수를 선택한다. (5) (1)번 단계에서의 학습용 데이터와 검증용 데이터를 합쳐 새로운 학습용 데이터를 만든다. (6) 선택된 히든유닛 개수와 반복횟수를 이용하여 모형을 학습하고 이를 토대로 예측한다. | |
LSTM 네트워크의 주요 특징은 무엇인가? | 그 중 Hochreiter 등 (1997)이 제안한 long and short-term memory (LSTM) 네트워크는 순환신경망(recurrent neural network; RNN)의 한 종류로 텍스트(text)나 음성(speech)의 분석을 위해서 개발되었다. LSTM 네트워크의 주요 특징은 입력(input), 망각(forget) 및 출력(output) 게이트를 통해서 과거 시점의 자료를 LSTM 네트워크 안에 적절히 보존하여 향후 값을 예측하는데 도움이 되는 형태로 이용하는 점이다. 이러한 구조적인 이점으로 인해 시계열의 예측에 있어서도 매우 널리 쓰이는 딥러닝 방법이다. |
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.