ارزیابی و بررسی اپراتورهای جمعی شبکه عصبی بنیادی متفاوت برای پیش بینی سریهای زمانی

ثابت شده است که ترکیب پیش بینی های ناشی از شبکه های عصبی جمعی، عملکرد بهتری نسبت به استفاده از بهترین مدلشبکه مجزا دارد. متون علمی گسترده ای از این مسئله پشتیبانی کرده اند که نشان می دهد ترکیب، به طور کلی منجر به بهبودصحت و قدرت پیش بینی می گردد و اینکه استفاده از اپراتور میانگین اغلب برتر از روشهای پیچیده تر ترکیبی از پیش بینی هاعمل می کند. این مقاله اپراتور جمعی مد یا حالت مبتنی بر برآورد چگالی هسته (کرنل) پیشنهاد می کند که برخلافاپراتورمیانگین، نسبت به نمونه های دورافتاده و انحرافات از نرمالیته، حساس نیست و بر خلاف اپراتور میانه، نیازی به توزیع هایمتقارن ندارد. در اینجا سه اپراتور به روش تجربی باهم مقامسه شده و نشان داده شده است که اپراتور جمعی درست ترین پیشبینی ها را حاصل می کند، اپراتور میانه در رتبه بعدی جای دارد، در حالیکه میانگین عملکرد نسبتا ضعیفی به معرض نمایش میگذارد. یافته های بدست آمده حاکی از آن است که اپراتور مد (حالت) باید به عنوان یک جایگزین برای اپراتورهای میانگین و میانهدر برنامه های پیش بینی مد نظر قرار گیرد. آزمامشات نشان می دهد که مجموعه های مد نقش مفیدی در خودکار نمودن مدلهایشبکه عصبی در میان تعداد بزرگی از سریهای زمانی، ایفا نموده و بر مسائل عدم قطعیت مرتبط با نمونه گیری داده ها، تصادفیبودن آموزش شبکه عصبی و توزیع پیش بینی ها غلبه می کنند.