Tento modul (Artificial Neural Network Time Series – ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci a předpovědi budoucích hodnot jednorozměrné časové řady. Za jednorozměrnou časovou řadu zde považujeme posloupnost n naměřených hodnot y_i, o nichž se předpokládá, že

• jsou naměřeny v pravidelných časových okamžicích (takže informaci o čase měření lze nahradit pouhým pořadovým číslem měření bez ztráty informace), případně se jedná o posloupnost jednotlivých diskrétních entit (např. jednotlivé výrobky vyráběné po sobě – ne nutně v pravidelných časových intervalech)
• mohou nabývat libovolných reálných hodnot (to znamená, že nejsou omezeny jen na celá čísla, případně nečíselné hodnoty, tedy případná předpověď reálných čísel bude dávat smysl
• každá naměřená hodnota nějak závisí na hodnotách naměřených před ní, tedy y_i = G(y_i-1, y_i-2, … y_i-r) + ε_i, zkráceně G(i, r) + ε_i, kde r < n nazveme hloubkou modelu

Jako příklady takových časových řad lze uvést technologické veličiny, periodicky měřené výsledky výrobních procesů, nestabilita procesů, parametry přírodních systémů, vývoj finančních a ekonomických indexů, kurzů, cen a podobně.

Neuronové časové řady (ANN-TS) - manuál ve formátu Pdf
Neuronová síť - manuál ve formátu Pdf

Protokol: Název úlohy Data Typ modelu Hloubka modelu Délka předpovědi Validace Nezávisle proměnné Typ transformace Závisle proměnné Typ transformace Vrstva, Neuronů Strmost sigmoidy Moment Rychlost učení Ukončit při chybě Procent dat pro učení (%) Podmínky ukončení optimalizace Výpočet Počet iterací Maximální chyba pro učící data Střední chyba pro učící data Maximální chyba pro testovací data Střední chyba pro testovací data Váhy Vrstva / Neuron Relativní vliv Časová řada

Grafy: Graf časové řady s predikcí nebo validací Graf reziduí Grafické vyjádření architektury sítě Relativní vliv prediktorů na predikci Graf učicího procesu