記事「ニューラルネットワークが簡単に（第85回）：多変量時系列予測」についてのディスカッション 新しいコメント MetaQuotes 2024.09.13 11:59 新しい記事「ニューラルネットワークが簡単に（第85回）：多変量時系列予測」はパブリッシュされました: この記事では、線形モデルとTransformerの長所を調和的に組み合わせた、新しい複雑な時系列予測手法を紹介します。 Clientアルゴリズムの主な考え方は、時間的なAttentionから変数間の依存関係の分析に移行し、これに加えて線形モジュールを統合することで、変数間の依存関係とトレンド情報をより効果的に利用する点にあります。 Client法の著者は、時系列予測問題に対して創造的なアプローチを取り入れており、一部では既存のアプローチを活用しながら、他の確立された方法を排除しています。各アルゴリズムブロックを組み込むかどうかは、一連のテストによって決定され、そのテストを通じてモデルの有効性や実行可能性が実証されています。 分布の偏りを解決するために、この手法では、著者が以前に解説した「可逆正規(RevIN)」を採用しています。RevINはまず、元のデータから時系列に関する統計情報を取り除くために使用されます。モデルがデータを処理して予測値を生成した後、元の時系列の統計的情報が予測値で復元されるため、一般的にモデル訓練の安定性と時系列の予測値の品質が向上します。 作者: Dmitriy Gizlyk 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
新しい記事「ニューラルネットワークが簡単に（第85回）：多変量時系列予測」はパブリッシュされました:
この記事では、線形モデルとTransformerの長所を調和的に組み合わせた、新しい複雑な時系列予測手法を紹介します。
Clientアルゴリズムの主な考え方は、時間的なAttentionから変数間の依存関係の分析に移行し、これに加えて線形モジュールを統合することで、変数間の依存関係とトレンド情報をより効果的に利用する点にあります。
Client法の著者は、時系列予測問題に対して創造的なアプローチを取り入れており、一部では既存のアプローチを活用しながら、他の確立された方法を排除しています。各アルゴリズムブロックを組み込むかどうかは、一連のテストによって決定され、そのテストを通じてモデルの有効性や実行可能性が実証されています。
分布の偏りを解決するために、この手法では、著者が以前に解説した「可逆正規(RevIN)」を採用しています。RevINはまず、元のデータから時系列に関する統計情報を取り除くために使用されます。モデルがデータを処理して予測値を生成した後、元の時系列の統計的情報が予測値で復元されるため、一般的にモデル訓練の安定性と時系列の予測値の品質が向上します。
作者: Dmitriy Gizlyk