دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Filippo Maria Bianchi, Enrico Maiorino, Michael C. Kampffmeyer, Antonello Rizzi, Robert Jenssen سری: ISBN (شابک) : 9783319703381 ناشر: Springer سال نشر: 2017 تعداد صفحات: 71 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Recurrent Neural Networks for Short-Term Load Forecasting به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شبکه های عصبی مکرر برای پیش بینی بار کوتاه مدت نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
مؤلفه کلیدی در پیشبینی تقاضا و مصرف منابع در شبکه تأمین، پیشبینی دقیق سریهای زمانی با ارزش واقعی است. در واقع، هم وقفه های خدمات و هم اتلاف منابع را می توان با اجرای یک سیستم پیش بینی موثر کاهش داد. بنابراین تحقیقات قابل توجهی به طراحی و توسعه روششناسی برای پیشبینی بار کوتاه مدت در دهههای گذشته اختصاص یافته است. دستهای از مدلهای ریاضی به نام شبکههای عصبی بازگشتی، امروزه در بین محققان مورد توجه قرار گرفتهاند و جایگزین بسیاری از پیادهسازیهای عملی سیستمهای پیشبینی شدهاند که قبلاً بر اساس روشهای ایستا بود. علیرغم قدرت بیان غیرقابل انکار این معماری ها، ماهیت تکرارشونده آنها درک آنها را پیچیده می کند و چالش هایی را در مراحل آموزشی ایجاد می کند. اخیراً خانوادههای مهم جدیدی از معماریهای مکرر ظهور کردهاند و کاربرد آنها در زمینه پیشبینی بار هنوز به طور کامل بررسی نشده است. این کار یک مطالعه تطبیقی بر روی مسئله پیشبینی بار کوتاهمدت با استفاده از کلاسهای مختلف شبکههای عصبی بازگشتی را انجام میدهد. نویسندگان مدلهای بررسیشده را ابتدا بر روی وظایف ترکیبی کنترلشده و سپس بر روی مجموعههای داده واقعی مختلف آزمایش میکنند و موارد کاربردی مهم مطالعه را پوشش میدهند. متن همچنین یک نمای کلی از مهمترین معماری ها را ارائه می دهد و دستورالعمل هایی را برای پیکربندی شبکه های تکراری برای پیش بینی سری های زمانی با ارزش واقعی تعریف می کند.
The key component in forecasting demand and consumption of resources in a supply network is an accurate prediction of real-valued time series. Indeed, both service interruptions and resource waste can be reduced with the implementation of an effective forecasting system. Significant research has thus been devoted to the design and development of methodologies for short term load forecasting over the past decades. A class of mathematical models, called Recurrent Neural Networks, are nowadays gaining renewed interest among researchers and they are replacing many practical implementations of the forecasting systems, previously based on static methods. Despite the undeniable expressive power of these architectures, their recurrent nature complicates their understanding and poses challenges in the training procedures. Recently, new important families of recurrent architectures have emerged and their applicability in the context of load forecasting has not been investigated completely yet. This work performs a comparative study on the problem of Short-Term Load Forecast, by using different classes of state-of-the-art Recurrent Neural Networks. The authors test the reviewed models first on controlled synthetic tasks and then on different real datasets, covering important practical cases of study. The text also provides a general overview of the most important architectures and defines guidelines for configuring the recurrent networks to predict real-valued time series.
Front Matter ....Pages i-ix
Introduction (Filippo Maria Bianchi, Enrico Maiorino, Michael C. Kampffmeyer, Antonello Rizzi, Robert Jenssen)....Pages 1-7
Properties and Training in Recurrent Neural Networks (Filippo Maria Bianchi, Enrico Maiorino, Michael C. Kampffmeyer, Antonello Rizzi, Robert Jenssen)....Pages 9-21
Recurrent Neural Network Architectures (Filippo Maria Bianchi, Enrico Maiorino, Michael C. Kampffmeyer, Antonello Rizzi, Robert Jenssen)....Pages 23-29
Other Recurrent Neural Networks Models (Filippo Maria Bianchi, Enrico Maiorino, Michael C. Kampffmeyer, Antonello Rizzi, Robert Jenssen)....Pages 31-39
Synthetic Time Series (Filippo Maria Bianchi, Enrico Maiorino, Michael C. Kampffmeyer, Antonello Rizzi, Robert Jenssen)....Pages 41-43
Real-World Load Time Series (Filippo Maria Bianchi, Enrico Maiorino, Michael C. Kampffmeyer, Antonello Rizzi, Robert Jenssen)....Pages 45-55
Experiments (Filippo Maria Bianchi, Enrico Maiorino, Michael C. Kampffmeyer, Antonello Rizzi, Robert Jenssen)....Pages 57-69
Conclusions (Filippo Maria Bianchi, Enrico Maiorino, Michael C. Kampffmeyer, Antonello Rizzi, Robert Jenssen)....Pages 71-72