Überblick über hybride neuronale Netze mit CNN- und RNN-Schichten für Zeitreihenprognosen
Publication date
2023-12
Document type
Book part
Editor
Organisational unit
ISSN
Series or journal
Periodical volume
5
Book title
Energie im Wandel: Forschungsperspektiven für Wasserstoff, Elektromobilität und Netzinnovationen
First page
101
Last page
109
Is part of
Part of the university bibliography
✅
Files openHSU_15220_v2.pdf (1.41 MB) openHSU_15220_v1.pdf (1.97 MB)
aktualisierte Version 2
Version 1
DDC Class
620 Ingenieurwissenschaften
Keyword
Hybrides Modell
CNN
LSTM
GRU
Vorhersage
Abstract
In diesem Beitrag wird der Einsatz hybrider neuronaler Netze für Zeitreihenprognosen in verschiedenen Bereichen wie Energie, Verkehr, Finanzen und Umweltüberwachung untersucht. Es werden die grundlegenden Bausteine hybrider neuronaler Netze und die Verwendung struktureller Lösungen wie der Bidirektionalität vorgestellt. Außerdem werden die Genauigkeit, Anwendbarkeit und Nutzbarkeit von vier Hybridmodellen bewertet, die Faltungsschichten und rekurrente Einheitenblöcke zur Vorhersage zukünftiger Werte von Zeitreihendaten verwenden. Das Papier zeigt die Funktionalität des Modells, um automatisch zeitliche Muster aus historischen Daten zu extrahieren und zeitliche Vorhersagen zu treffen. Darüber hinaus werden die Ergebnisse von Open-Loop-Simulationen von Szenarien unterschiedlicher Komplexität vorgestellt sowie Schlussfolgerungen und Perspektiven für die weitere Forschung beurteilt. Dieses Paper dient als Übersicht für Forscher und Praktiker, die an der Verwendung neuronaler Netze für Zeitreihenprognosen interessiert sind.
Description
Version 2: aktualisierte Fassung vom 14.02.2024 (geringfügige Änderungen)
Version 1: Originalfassung vom 08.12.2023
Version 1: Originalfassung vom 08.12.2023
Version
Not applicable (or unknown)
Access right on openHSU
Open access