Time series forecasting using the LSTM network

• Autorzy: Pęczek Mateusz , Litawa Grzegorz

Warianty tytułu

PL

Prognozowanie szeregów czasowych z użyciem sieci LSTM

• Języki publikacji: EN

Abstrakty

EN

Predicting time series is currently one of the problems that can be solved through the use of machine learning methods. A time series is a set of data points in which the sequence is measured at equal time intervals. Predicting the value of the time series can influence your decisions or help you achieve better results. Stock quotes are an example of a time series - the purpose of the created model is attempt to predict their value. One solution to the problem of predicting the results of the time series is the LSTM network. The network contains layered LSTM cells that have the ability to use previously observed relationships in the data set. The number of LSTM layers and cells in each layer is dependent on the designer and is selected based on expert knowledge. The results obtained from the model may seem correct and close to the real ones. Regardless of what values we get and how high the accuracy of the model will be, it should be remembered that stock prices are influenced by parameters and events that cannot be predicted. The predicted values obtained from the model should be treated as a guide or reference information. Stock quotes may change under the influence of geopolitical situations, company involvement, armed conflict or other random and unpredictable phenomenon, therefore, when making decisions, the results of the model should not be taken for granted.

PL

Przewidywanie szeregów czasowych jest obecnie jednym z problemów, które mogą zostać rozwiązane poprzez zastosowanie metod uczenia maszynowego. Szeregiem czasowym nazwiemy zbiór danych, w których pomiar odbywał się w jednakowych odstępach czasu. Przewidywanie wartości szeregu czasowego może wpłynąć na podejmowane decyzje lub pomóc w osiąganiu lepszych wyników. Przykładem szeregu czasowego są notowania giełdowe - celem utworzonego modelu jest próba przewidywania ich wartości. Jednym z rozwiązań problemu przewidywania wyników szeregów czasowych jest sieć LSTM. Sieć zawiera warstwowo ułożone komórki LSTM, które mają zdolność do wykorzystywania wcześniej zaobserwowanych zależności występujących w zbiorze danych. Liczba warstw i komórek LSTM w każdej warstwie jest zależna od projektanta i dobiera się ją w oparciu o wiedzę ekspercką. Wyniki otrzymane z modelu mogą wydawać się poprawne i zbliżone do rzeczywistych. Niezależnie od tego, jakie wartości otrzymamy i jak duża będzie dokładność modelu, należy pamiętać, że na notowania giełdowe wpływ mają parametry i zdarzenia, których nie da się przewidzieć. Wartości przewidywane, otrzymane z modelu, należy traktować jako pomoc lub informacje poglądowe. Notowania giełdowe mogą zmieniać się pod wpływem sytuacji geopolitycznej, upadku firmy, konfliktu zbrojnego lub innego losowego i niemożliwego do przewidzenia zjawiska, dlatego przy podejmowaniu decyzji nie należy traktować wyników modelu jako pewne.

Słowa kluczowe

EN

machine learning; LSTM; value prediction; time series; Keras

PL

uczenie maszynowe; LSTM; przewidywanie wartości; szeregi czasowe; notowania giełdowe; Keras

• Wydawca: Wydawnictwo Naukowe Akademii Nauk Stosowanych w Nowym Sączu
• Czasopismo: Journal of Engineering, Energy and Informatics
• Rocznik: 2021
• Tom: No. 1
• Strony: 116--120
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Pęczek Mateusz

• State University of Applied Sciences in Nowy Sącz, Institute of Technology, 33-300 Nowy Sącz, Zamenhofa 1a street

autor

Litawa Grzegorz

• State University of Applied Sciences in Nowy Sącz, Institute of Technology, 33-300 Nowy Sącz, Zamenhofa 1a street

Bibliografia

• Ai, Y., Li, Z., Gan, M., Zhang, Y., Yu, D., Chen, W., Ju, Y. (2019). A deep learning approach on short-term spatiotemporal distribution forecasting of dockless bike-sharing system. Neural Comput Appl, 31(5), 1665-1667.
• Albon, C. (2018). Uczenie maszynowe w Pythonie. Receptury. Gliwice: Helion.
• Brownlee, J. (2020a). How to Develop LSTM Models for Time Series Forecasting. Download from: https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/.
• Brownlee, J. (2020b). Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras. Download from: https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/.
• Chollet, F. (2019). Deep Learning. Praca z językiem Python i biblioteką Keras. Gliwice: Helion.
• Demertzis, K. Iliadis, L. Bougoudis, I. (2019). Gryphon: a semi-supervised anomaly detection system based on one-class evolving spiking neural network. Download from: https://doi.org/10.1007/s00521-019-04363-x.
• Essien, A. Giannettic, C. (2020). A Deep Learning Model for Smart Manufacturing Using Convolutional LSTM Neural Network Autoencoders. IEEE, 6069-6078.
• Géron, A. (2020). Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Gliwice: Helion.
• Livieris, I.E. (2020). A CNN-LSTM model for gold price time-series forecasting. Neural Computing and Applications, 32, 17351-17360.
• Loukas, S. (2020). Time-Series Forecasting: Predicting Stock Prices Using An LSTM Model. Download from: https://towardsdatascience.com/lstm-time-series-forecasting-predicting-stock-prices-using-an-lstm-model-6223e9644a2f.
• TensorFlow org. (2021). Prognozowanie szeregów czasowych. Download from: https://www.tensorflow.org/tutorials/structured_data/time_series.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).