عنوان المقالة:تحسين التنبؤ بأخطاء السلاسل الزمنية باستخدام الشبكات العصبية المتكررة Improving time series' forecast errors by using recurrent neural networks
أ.د. مروان عبد الحميد عاشور | proof. Marwan Abdul hameed Ashour | 13755
- نوع النشر
- مجلة علمية
- المؤلفون بالعربي
- الاستاذ الدكتور مروان عبد الحميد عاشور
- المؤلفون بالإنجليزي
- marwan abdul hameed ashour
- الملخص العربي
- تعتبر شبكة Elman Neural Network (ENN) من أقوى الأدوات في حل النماذج المختلفة. تقترح هذه الورقة استخدام ENN في تقنية خالية من النماذج لحل نماذج السلاسل الزمنية من أي نوع. الهدف من هذا البحث هو المقارنة بين الطريقة الذكية المقترحة والطريقة التقليدية في حل مشاكل السلاسل الزمنية. دقة مقاييس طريقة التنبؤ المستخدمة في هذا البحث هي خطأ الجذر - المتوسط - التربيعي (RMSE) ومتوسط النسبة المئوية للخطأ المطلق (MAPE) ، وبالتالي تقييم طرق التنبؤ المعتمدة. أظهرت النتائج أن الطريقة الذكية المقترحة التي تستخدم ENN أفضل مقارنة بالطريقة التقليدية التي تستخدم نموذج الانحدار التلقائي المتكامل للمتوسط المتحرك (ARIMA) لحل نماذج التنبؤ بالسلاسل الزمنية.
- الملخص الانجليزي
- Elman Neural Network (ENN) is considered one of the most powerful tool in solving various models. This paper suggests the use of ENN in a model free technique to solve time series models of any type. The objective of this paper is to compare between the suggested smart method against the traditional method in solving time series problems. The accuracy of the prediction method measures used in this paper are Root-Mean-Square Error (RMSE) and Mean Absolute Percentage Error (MAPE), thus evaluating the adopted prediction methods. The results show that suggested smart method which uses the ENN is better compared to the traditional method, which uses Autoregressive Integrated Moving Average (ARIMA) model to solve time series forecasting models.
- تاريخ النشر
- 08/02/2018
- الناشر
- Proceedings of the 2018 7th International Conference on Software and Computer Applications
- رقم المجلد
- رقم العدد
- رابط DOI
- https://doi.org/10.1145/3185089.3185151
- رابط الملف
- تحميل (285 مرات التحميل)
- الكلمات المفتاحية
- Elman Neural Network; Recurrent Neural Networks; time series forecasting; ARIMA model