Yazar
Khodabakhsh, Athar, Arı, İsmail, Bakır, M., Alagoz, S. M.
Basım Tarihi
2020
Basım Yeri
-
Springer
Konu
LSTM, Çok değişkenli zaman serisi, RNN, Sensörler, Sıra verileri, Zaman serisi
Tür
Kitap
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
2367-4512
Kayıt Numarası
f370f48d-9c22-4c93-b18b-47f9dea62c2e
Lokasyon
Bilgisayar Bilimi
Tarih
2020
Örnek Metin
Çok değişkenli zaman serisi veri tahmini, karmaşık endüstriyel sistemlerdeki doğrusal olmayan karşılıklı bağımlılıklar nedeniyle zorlu bir iştir. Sinir ağlarının mekansal ilişkileri çıkararak özellikleri öğrenme yeteneğini kullanarak bu bağımlılıkları otomatik olarak modellemek çok önemlidir. Bu yazıda, uzaysal olmayan çok değişkenli zaman serisi verilerini zaman-uzay formatına dönüştürdük ve geleceğe yönelik tahminler için çok özellikli endüstriyel verilerin sıralı analizi için Uzun Kısa Süreli Bellek (LSTM) ağlarının yapı taşları olan Tekrarlayan Sinir Ağlarını (RNN'ler) kullandık. Mini parti uzunluğunun ve nitelik sayılarının tahmin doğruluğu üzerindeki etkisini karşılaştırdık ve LSTM kullanarak kalıpları tespit etmek için uzay-zamansal konumun önemini bulduk.
Editör
Bohlouli, M., Bigham, B. S., Narimani, Z., Vasighi, M., Ansari, E.
DOI
10.1007/978-3-030-37309-2_10
Cilt
45
