Deep Learning in Multi-step Prediction of Chaotic Dynamics: From Deterministic Models to Real-World Systems

این کتاب نشان‌دهنده اولین تلاش برای مقابله سیستماتیک با استفاده از شبکه‌های عصبی عمیق برای پیش‌بینی سری‌های زمانی آشفته است. متفاوت از بسیاری از ادبیات فعلی، یک رویکرد چند مرحله‌ای را پیاده‌سازی می‌کند، یعنی پیش‌بینی یک بازه کامل از ارزش‌های آینده. این برای بسیاری از کاربردها، مانند کنترل پیش‌بینی مدل، که نیاز به پیش‌بینی مقادیر برای کل افق عقب‌نشینی دارد، مرتبط است. این کتاب به تدریج از مدل‌های قطعی با درجات مختلف پیچیدگی و آشفتگی به سیستم‌های پر سر و صدا و سپس به موارد واقعی، عملکرد معماری‌های شبکه‌های عصبی مختلف (پیشخور و مکرر) را مقایسه می‌کند. همچنین یک رویکرد نوآورانه و قدرتمند برای آموزش ساختارهای مکرر خاص برای وظایف ترتیب به دنباله معرفی می کند. این کتاب همچنین یکی از اولین تلاش‌ها را در زمینه پیش‌بینی سری‌های زمانی محیطی برای بکارگیری تکنیک‌های یادگیری انتقالی مانند تطبیق دامنه ارائه می‌کند.

The book represents the first attempt to systematically deal with the use of deep neural networks to forecast chaotic time series. Differently from most of the current literature, it implements a multi-step approach, i.e., the forecast of an entire interval of future values. This is relevant for many applications, such as model predictive control, that requires predicting the values for the whole receding horizon. Going progressively from deterministic models with different degrees of complexity and chaoticity to noisy systems and then to real-world cases, the book compares the performances of various neural network architectures (feed-forward and recurrent). It also introduces an innovative and powerful approach for training recurrent structures specific for sequence-to-sequence tasks. The book also presents one of the first attempts in the context of environmental time series forecasting of applying transfer-learning techniques such as domain adaptation.