Journal influence
Higher Attestation Commission (VAK) - К1 quartile
Russian Science Citation Index (RSCI)
Bookmark
Next issue
№3
Publication date:
13 September 2024
Study of the influence of initialization algorithms of Volterry network weight coefficients on forecast problem solving
Date of submission article: 12.12.2017
UDC: 004.896, 004.942
The article was published in issue no. № 1, 2018 [ pp. 60-63 ]Abstract:The article describes an automated system designed by the authors for forecasting oil market quotes by Volterry neural network. The system runs three algorithms for weight coefficients initialization: the annihilation simulation algorithm, the evolutionary algorithm and random initialization. A user is able to upload samples, set learning parameters, select a learning algorithm for weight coefficients initialization, define their parameters and look through forecasting results. Moreover, a user can save parameters of a neural network to a XML file to provide an ability to perform forecasting by using preset parameters of a trained network. While testing a user can open a network saved earlier or work with a current one, load a sample file and then look at the results. All results are kept in .xlsx files. The developed software can be used for forecasting a market oil price. Standard deviation is an evaluation criterion of the designed application. To make a testing experiment the authors selected Brent and WTA oil prices during the period from December 31, 2005 till December 31, 2016. The article shows the results of researching a dependency of forecasting quality according to the selected algorithms. The results show that a random initialization (learning coefficient 0.01, a number of neurons L=3, a number of layers K=3) produces a bigger error than the annihilation simulation algorithm or the evolutionary algorithm. As a result, using optimization algorithms for initialization of weight coefficients provides more accurate forecasting result than a random initialization.
Аннотация:В статье описана разработанная авторами автоматизированная система прогнозирования нефтяных котировок нейронной сетью Вольтерри. Реализованы три алгоритма инициализации весовых коэффициентов: алгоритм имитации отжига, эволюцион-ный алгоритм и случайная инициализация. Система предоставляет пользователю такие возможности, как загрузка выборок, установка параметров обучения, выбор алгоритма инициализации весовых коэффициентов с установлением для них параметров и просмотр результатов прогнозирования. Кроме того, существует возможность сохранять параметры нейронной сети в XML-файл, что впоследствии позволяет выполнять прогнозирование с применением уже обученной сети. При тестировании пользователь может загрузить ранее созданную сеть или работать с текущей сетью, загрузить файл с выборкой, а затем просмотреть результаты тестирования. Все результаты сохраняются в файлах формата .xlsx. Разработанную систему можно применять для прогнозирования показателей цен на нефть. В качестве показа-теля качества работы спроектированной системы было выбрано среднеквадратическое отклонение. Для проведе-ния вычислительных экспериментов использованы показатели цен на нефть марки Brent и WTI за определенный период. По результатам проведенных исследований сделан вывод о том, что использование алгоритмов оптимизации при начальной инициализации весовых коэффициентов дает более точный результат прогнозирования, чем случайная инициализация.
Authors: I.V. Lyozina (chuchyck@yandex.ru) - Samara National Research University (Associate Professor), Samara, Russia, Ph.D, K.V. Saraeva (chuchyck@yandex.ru) - Samara National Research University, Samara, Russia | |
Keywords: random initialization, evolutionary algorithm, simulated annealing, optimization algorithms, oil market quotes, forecasting, voletrry network, neural network, an automated system issue |
|
Page views: 10847 |
PDF version article Full issue in PDF (29.74Mb) |
Permanent link: http://swsys.ru/index.php?id=4399&lang=en&like=1&page=article |
Print version Full issue in PDF (29.74Mb) |
The article was published in issue no. № 1, 2018 [ pp. 60-63 ] |
Perhaps, you might be interested in the following articles of similar topics:
- Интеллектуальная информационная система для решения задач прогнозирования неисправностей вагонного оборудования на железнодорожном транспорте
- Автоматизированная система прогнозирования остаточного ресурса электроконтактных соединений
- Извлечение аспектов из текстов научных статей
- Генетический алгоритм выбора доминантных признаков для нейронной сети
- Адекватные междисциплинарные модели в прогнозировании временных рядов статистических данных
Back to the list of articles