Acta Univ. Agric. Silvic. Mendelianae Brun. 2009, 57(6), 297-304 | DOI: 10.11118/actaun200957060297

Pokročilé metody numerických predikcí s využitím neuronových sítí

Michael Štencl, Jiří Šťastný
Ústav informatiky, Mendelova zemědělská a lesnická univerzita v Brně, Zemědělská 1, 613 00 Brno, Česká republika

Článek představuje neuronové sítě typu RBF (sítě radiálních bazických funkcí) v porovnání s vícevrstvými neuronovými sítěmi (MLP) s učícím algoritmem zpětného šíření (Back-propagation). Srovnání je podloženo praktickou úlohou spojenou s odhadem budoucího vývoje zjednodušeného modelu časové řady publikovaného dříve. Výchozí je srovnání RBF a MLP sítí v obou rovinách - teoretické i praktické. Přínosem článku je také přesné vymezení odlišných přístupů k učení obou sítí. Praktická úloha ukázala nutnost vlastní implementace RBF sítě pro její využití na predikce různých modelů časových řad. Jako výhodu plynoucí z provedeného experimentu je nutné zmínit rychlost učení sítě typu RBF.
Sítě typu RBF ukázaly svou vysokou účinnost a výkonnost pro aproximační úlohy. Pro jejich využití na odhad budoucího vývoje modelů časových řad je však nutné provést vlastní implementaci. Vlastní experiment prokázal lepší výsledky u MLP sítě. Současně sítě typu RBF však dosáhly podobné chyby ve znatelně kratší době, čímž potvrdily svou účinnost, avšak nedosáhly stejně kvalitní predikce.

neuronové sítě, sítě typu RBF, číselné předpovědi, vícevrstvá síť

Advanced approach to numerical forecasting using artificial neural networks

Current global market is driven by many factors, such as the information age, the time and amount of information distributed by many data channels it is practically impossible analyze all kinds of incoming information flows and transform them to data with classical methods. New requirements could be met by using other methods. Once trained on patterns artificial neural networks can be used for forecasting and they are able to work with extremely big data sets in reasonable time. The patterns used for learning process are samples of past data. This paper uses Radial Basis Functions neural network in comparison with Multi Layer Perceptron network with Back-propagation learning algorithm on prediction task. The task works with simplified numerical time series and includes forty observations with prediction for next five observations. The main topic of the article is the identification of the main differences between used neural networks architectures together with numerical forecasting. Detected differences then verify on practical comparative example.

Keywords: artificial neural networks, Radial basis function, Numerical Forecasting, Multi Layer Perceptron Network
Grants and funding:

MSM 6215648904/03 Development of relationships in the business sphere as connected with changes in the life style of purchasing behaviour of the Czech population and in the business environment in the course of processes of integration and globalization (Research design of Mendel University of Agriculture and Forestry in Brno)

Received: July 9, 2009; Published: October 7, 2014  Show citation

ACS AIP APA ASA Harvard Chicago IEEE ISO690 MLA NLM Turabian Vancouver
Štencl, M., & Šťastný, J. (2009). Advanced approach to numerical forecasting using artificial neural networks. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, 57(6), 297-304. doi: 10.11118/actaun200957060297
Share...
Download citation
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Open full article

    References

    1. BISHOP, C. M., 1991: Improving the generalization properties of radial basis function neural networks. Neural Computation 3, pp. 579-588. DOI: 10.1162/neco.1991.3.4.579 Go to original source...
    2. BORSE, A. G., 2007: Introduction of the Radial Basis Function (RBF) networks. ANU College of Engineering and Computer Science. [cit. 2009-06-24]. Cited from http://axiom.anu.edu.au/~daa/courses/GSAC6017/rbf.pdf
    3. MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J. a kol., 2003: Umělá inteligence. 1. vydání. Sv. 1. Praha: Academia. ISBN 80-200-0496-3.
    4. MITCHELL, T. M., 1997: Machine Learning. 1. vydání. McGraw-Hill. ISBN 0-07-042807-7.
    5. NOVÁK, M. a kol., 1998: Umělé neuronové sítě. Teorie a aplikace. C. H. Beck, Praha.
    6. RIPLEY, B. D., 1996: Pattern Recognition and Neural Networks. Cambridge University Press, Cambridge (UK). Go to original source...
    7. RUSSEL, S. J., NORVIG, P., 2003: Artificial Intelligence - A Modern Approach. 2nd Edition. Person Education, Inc., New Jersey. pp. 736-741, ISBN 0-13-080302-2.
    8. SARLE, W. S., 1994: Neural Networks and Statistical Models. Proceedings of the Nineteenth Annual SAS Users Group International Conference, Cary, NC: SAS Institute, pp.1538-1550.
    9. ŠÍMA, J., NERUDA, R., 1996: Teoretické otázky neuronových sítí. 1. vydání. Praha: MATFYZPRESS, MFF UK. ISBN 80-85863-18-9.
    10. ŠNOREK, M., JIŘINA, M., 1998: Neuronové sítě a počítače. ČVUT, Praha.
    11. ŠŤASTNÝ, J., ŠKORPIL, V., 2005: Neural Networks Learning Methods Comparison. International Journal WSEAS Transactions on Circuits and Systems, Issue 4, Volume 4, pp. 325-330, ISSN 1109-2734.
    12. ŠŤASTNÝ, J., ŠKORPIL, V., 2007: Genetic Algorithm and Neural Network. WSEAS Applied Informatics & Communications, pp. 347-351, ISBN 978-960-8457-96-6, ISSN 1790-5117.
    13. ŠŤASTNÝ, J., ŠTENCL, M., 2008: Nové metody predikce numerických dat. In: Aktuálne manažérske a marketingové trendy v teórii a praxi. 1. vyd. Žilina: EDIS. s. 28-33. ISBN 978-80-8070-966-2.
    14. TSENG, F. M., YU, H. C., TZENG, G. H., 2002: Combining neural network model with seasonal time series ARIMA model. Technological Forecasting and Social Change, 69, 71-87. DOI: 10.1016/S0040-1625(00)00113-X Go to original source...
    15. WEDDING D. K., CIOS K. J., 1996: Time series forecasting by combining RBF networks, certainty factors, and the Box-Jenkins model. Neurocomputing, vol. 10. pp. 149-168. DOI:10.1016/0925-2312(95)00021-6. DOI: 10.1016/0925-2312(95)00021-6 Go to original source...

    This is an open access article distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY NC ND 4.0), which permits non-comercial use, distribution, and reproduction in any medium, provided the original publication is properly cited. No use, distribution or reproduction is permitted which does not comply with these terms.


    Return to the content