Zinātniskās darbības atbalsta sistēma
Latviešu English

Publikācija: Methods of Forecasting Based on Artificial Neural Networks

Publikācijas veids Publikācija RTU zinātniskajā žurnālā
Pamatdarbībai piesaistītais finansējums Nav zināms
Aizstāvēšana: ,
Publikācijas valoda English (en)
Nosaukums oriģinālvalodā Methods of Forecasting Based on Artificial Neural Networks
Pētniecības nozare 2. Inženierzinātnes un tehnoloģijas
Pētniecības apakšnozare 2.2. Elektrotehnika, elektronika, informācijas un komunikāciju tehnoloģijas
Pētniecības platforma Informācijas un komunikāciju tehnoloģijas
Autori Artūrs Stepčenko
Arkādijs Borisovs
Atslēgas vārdi ARIMA ANN, forecasting, GRANN_ARIMA, WANN.
Anotācija This article presents an overview of artificial neural network (ANN) applications in forecasting and possible forecasting accuracy improvements. Artificial neural networks are computational models and universal approximators, which can be applied to the time series forecasting with a high accuracy. A great rise in research activities was observed in using artificial neural networks for forecasting. This paper examines multi-layer perceptrons (MLPs) – back-propagation neural network (BPNN), Elman recurrent neural network (ERNN), grey relational artificial neural network (GRANN) and hybrid systems – models that fuse artificial neural network with wavelets and autoregressive integrated moving average (ARIMA).
DOI: 10.1515/itms-2014-0003
Atsauce Stepčenko, A., Borisovs, A. Methods of Forecasting Based on Artificial Neural Networks. Information Technology and Management Science. Nr.17, 2014, 25.-31.lpp. ISSN 2255-9086. e-ISSN 2255-9094. Pieejams: doi:10.1515/itms-2014-0003
Pilnais teksts Pilnais teksts
ID 19972