Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
An Agent-Based Aggression De-escalation Training Application for Football Referees Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Multi-objective Learning of Neural Network Time Series Prediction Intervals

verfasst von : Pedro José Pereira, Paulo Cortez, Rui Mendes

Erschienen in: Progress in Artificial Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we address multi-step ahead time series Prediction Intervals (PI). We extend two Neural Network (NN) methods, Lower Upper Bound Estimation (LUBE) and Multi-objective Evolutionary Algorithm (MOEA) LUBE (MLUBE), for multi-step PI. Furthermore, we propose two new MOEA methods based on a 2-phase gradient and MOEA based learning: M2LUBET1 and M2LUBET2. Also, we present a robust evaluation procedure to compare PI methods. Using four distinct seasonal time series, we compared all four PI methods. Overall, competitive results were achieved by the 2-phase learning methods, in terms of both predictive performance and computational effort.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Predictive Teaching and Learning
Nächstes Kapitel Toward a Token-Based Approach to Concern Detection in MATLAB Sources
Literatur
1.
Ak, R., Li, Y., Vitelli, V., Zio, E., Droguett, E.L., Jacinto, C.M.C.: NSGA-II-trained neural network approach to the estimation of prediction intervals of scale deposition rate in oil & gas equipment. Expert Syst. Appl. 40(4), 1205–1212 (2013)CrossRef
2.
Ak, R., Vitelli, V., Zio, E.: An interval-valued neural network approach for uncertainty quantification in short-term wind speed prediction. IEEE Trans. Neural Netw. Learn. Syst. 26(11), 2787–2800 (2015)MathSciNetCrossRef
3.
Beume, N., Fonseca, C.M., López-Ibáñez, M., Paquete, L., Vahrenhold, J.: On the complexity of computing the hypervolume indicator. IEEE Trans. Evol. Comput. 13(5), 1075–1082 (2009)CrossRef
4.
Cortez, P., Matos, L.M., Pereira, P.J., Santos, N., Duque, D.: Forecasting store foot traffic using facial recognition, time series and support vector machines. In: Graña, M., López-Guede, J.M., Etxaniz, O., Herrero, Á., Quintián, H., Corchado, E. (eds.) ICEUTE/SOCO/CISIS -2016. AISC, vol. 527, pp. 267–276. Springer, Cham (2017). doi:10.​1007/​978-3-319-47364-2_​26CrossRef
5.
Fawcett, T.: An introduction to ROC analysis. Pattern Recogn. Lett. 27, 861–874 (2006)CrossRef
6.
Glass, L., Mackey, M.: Oscillation and chaos in physiological control systems. Science 197, 287–289 (1977)CrossRef
7.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edn. Springer, New York (2008)MATH
8.
Hollander, M., Wolfe, D.A., Chicken, E.: Nonparametric Statistical Methods. Wiley, Hoboken (2013)MATH
9.
10.
Khosravi, A., Nahavandi, S., Creighton, D., Atiya, A.F.: Lower upper bound estimation method for construction of neural network-based prediction intervals. IEEE Trans. Neural Netw. 22(3), 337–346 (2011)CrossRef
11.
Makridakis, S., Weelwright, S., Hyndman, R.: Forecasting: Methods and Applications, 3rd edn. Wiley, New York (1998)
12.
Michalewicz, Z., Schmidt, M., Michalewicz, M., Chiriac, C.: Adaptive Business Intelligence. Springer, Heidelberg (2006)MATH
13.
R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria (2016)
14.
Rana, M., Koprinska, I., Khosravi, A., Agelidis, V.G.: Prediction intervals for electricity load forecasting using neural networks. In: The 2013 International Joint Conference on Neural Networks (IJCNN), pp. 1–8. IEEE (2013)
15.
Srinivas, N., Deb, K.: Muiltiobjective optimization using nondominated sorting in genetic algorithms. Evol. Comput. 2(3), 221–248 (1994)CrossRef
16.
Stepnicka, M., Cortez, P., Donate, J.P., Stepnicková, L.: Forecasting seasonal time series with computational intelligence: on recent methods and the potential of their combinations. Expert Syst. Appl. 40(6), 1981–1992 (2013)CrossRef
17.
Tashman, L.: Out-of-sample tests of forecasting accuracy: an analysis and review. Int. Forecast. J. 16(4), 437–450 (2000)CrossRef
Metadaten
Titel
Multi-objective Learning of Neural Network Time Series Prediction Intervals
verfasst von
Pedro José Pereira
Paulo Cortez
Rui Mendes
Copyright-Jahr
2017
Buch
Progress in Artificial Intelligence

Print ISBN: 978-3-319-65339-6

Electronic ISBN: 978-3-319-65340-2

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-65340-2_46