dc.contributor.author | Sbrana, Attilio | |
dc.date.accessioned | 2021-02-05T12:33:09Z | |
dc.date.available | 2021-02-05T12:33:09Z | |
dc.date.issued | 2021-01-27 | |
dc.identifier.citation | SBRANA, Attilio. N-BEATS-RNN: deep learning for time series forecasting. 2021. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, Sorocaba, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/13820. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/13820 | |
dc.description.abstract | This work presents N-BEATS-RNN, an extended version of an ensemble of deep learning networks for time series forecasting, N-BEATS. We apply a state-of-the-art Neural Architecture Search, based on a fast and efficient weight-sharing search, to solve for an ideal Recurrent Neural Network architecture to be added to N-BEATS. We evaluated the proposed N-BEATS-RNN architecture in the widely-known M4 competition dataset, which contains 100,000 time series from a variety of sources. N-BEATS-RNN achieves comparable results to N-BEATS and the M4 competition winner while employing solely 108 models, as compared to the original 2,160 models employed by N-BEATS, when composing its final ensemble of forecasts. Thus, N-BEATS-RNN's biggest contribution is in its training time reduction, which is in the order of 9 times compared with the original ensembles in N-BEATS. | por |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.description.sponsorship | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | por |
dc.language.iso | eng | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Previsão de séries temporais | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Aprendizado profundo | por |
dc.subject | Time series forecasting | por |
dc.subject | Deep learning | por |
dc.subject | Machinel learning | por |
dc.title | N-BEATS-RNN: deep learning for time series forecasting | por |
dc.title.alternative | N-BEATS-RNN: deep learning for time series forecasting | por |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Naldi, Murilo Coelho | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0573662728816861 | por |
dc.contributor.advisor-co1 | Rossi, André Luis Debiaso | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/5604829226181486 | por |
dc.description.resumo | Este trabalho apresenta o N-BEATS-RNN, uma versão estendida de um conjunto de redes neurais de aprendizagem profunda para previsão de séries temporais, N-BEATS. Para tal, aplica-se uma busca de arquitetura neural estado-da-arte, baseada em uma pesquisa de compartilhamento de peso rápida e eficiente, para solucionar uma arquitetura de rede neural recorrente ideal a ser adicionada ao N-BEATS. Avalia-se a arquitetura N-BEATS-RNN proposta no conjunto de dados amplamente conhecido da competição M4, que contém 100.000 séries temporais de uma variedade de fontes. O N-BEATS-RNN alcança resultados comparáveis ao N-BEATS e ao vencedor da competição M4, empregando apenas 108 modelos, em comparação com os 2.160 modelos originais empregados pelo N-BEATS. Assim, a maior contribuição do N-BEATS-RNN está na redução do tempo de treinamento, que é da ordem de 9 vezes em comparação com os conjuntos originais do N-BEATS. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC-So | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.description.sponsorshipId | CAPES: Código de Financiamento 001 | por |
dc.description.sponsorshipId | FAPESP: 2013/07375-0 | por |
dc.description.sponsorshipId | FAPESP: 2019/09817-6 | por |
dc.publisher.address | Câmpus Sorocaba | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/5980966794385896 | por |