N-BEATS-RNN: deep learning for time series forecasting
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFSCAR |
Texto Completo: | https://repositorio.ufscar.br/handle/ufscar/13820 |
Resumo: | This work presents N-BEATS-RNN, an extended version of an ensemble of deep learning networks for time series forecasting, N-BEATS. We apply a state-of-the-art Neural Architecture Search, based on a fast and efficient weight-sharing search, to solve for an ideal Recurrent Neural Network architecture to be added to N-BEATS. We evaluated the proposed N-BEATS-RNN architecture in the widely-known M4 competition dataset, which contains 100,000 time series from a variety of sources. N-BEATS-RNN achieves comparable results to N-BEATS and the M4 competition winner while employing solely 108 models, as compared to the original 2,160 models employed by N-BEATS, when composing its final ensemble of forecasts. Thus, N-BEATS-RNN's biggest contribution is in its training time reduction, which is in the order of 9 times compared with the original ensembles in N-BEATS. |
id |
SCAR_4f0cc72c2cd474117dcce379673eb660 |
---|---|
oai_identifier_str |
oai:repositorio.ufscar.br:ufscar/13820 |
network_acronym_str |
SCAR |
network_name_str |
Repositório Institucional da UFSCAR |
repository_id_str |
4322 |
spelling |
Sbrana, AttilioNaldi, Murilo Coelhohttp://lattes.cnpq.br/0573662728816861Rossi, André Luis Debiasohttp://lattes.cnpq.br/5604829226181486http://lattes.cnpq.br/5980966794385896cab80dae-8dd5-4570-ba89-c252fdf94aef2021-02-05T12:33:09Z2021-02-05T12:33:09Z2021-01-27SBRANA, Attilio. N-BEATS-RNN: deep learning for time series forecasting. 2021. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, Sorocaba, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/13820.https://repositorio.ufscar.br/handle/ufscar/13820This work presents N-BEATS-RNN, an extended version of an ensemble of deep learning networks for time series forecasting, N-BEATS. We apply a state-of-the-art Neural Architecture Search, based on a fast and efficient weight-sharing search, to solve for an ideal Recurrent Neural Network architecture to be added to N-BEATS. We evaluated the proposed N-BEATS-RNN architecture in the widely-known M4 competition dataset, which contains 100,000 time series from a variety of sources. N-BEATS-RNN achieves comparable results to N-BEATS and the M4 competition winner while employing solely 108 models, as compared to the original 2,160 models employed by N-BEATS, when composing its final ensemble of forecasts. Thus, N-BEATS-RNN's biggest contribution is in its training time reduction, which is in the order of 9 times compared with the original ensembles in N-BEATS.Este trabalho apresenta o N-BEATS-RNN, uma versão estendida de um conjunto de redes neurais de aprendizagem profunda para previsão de séries temporais, N-BEATS. Para tal, aplica-se uma busca de arquitetura neural estado-da-arte, baseada em uma pesquisa de compartilhamento de peso rápida e eficiente, para solucionar uma arquitetura de rede neural recorrente ideal a ser adicionada ao N-BEATS. Avalia-se a arquitetura N-BEATS-RNN proposta no conjunto de dados amplamente conhecido da competição M4, que contém 100.000 séries temporais de uma variedade de fontes. O N-BEATS-RNN alcança resultados comparáveis ao N-BEATS e ao vencedor da competição M4, empregando apenas 108 modelos, em comparação com os 2.160 modelos originais empregados pelo N-BEATS. Assim, a maior contribuição do N-BEATS-RNN está na redução do tempo de treinamento, que é da ordem de 9 vezes em comparação com os conjuntos originais do N-BEATS.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)CAPES: Código de Financiamento 001FAPESP: 2013/07375-0FAPESP: 2019/09817-6engUniversidade Federal de São CarlosCâmpus SorocabaPrograma de Pós-Graduação em Ciência da Computação - PPGCC-SoUFSCarAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessPrevisão de séries temporaisAprendizado de máquinaAprendizado profundoTime series forecastingDeep learningMachinel learningCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAOCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAON-BEATS-RNN: deep learning for time series forecastingN-BEATS-RNN: deep learning for time series forecastinginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis60018fa9a97-8f52-40c3-9e9f-75eedef14b91reponame:Repositório Institucional da UFSCARinstname:Universidade Federal de São Carlos (UFSCAR)instacron:UFSCARORIGINAL7 - Dissertação - Versão Definitiva.pdf7 - Dissertação - Versão Definitiva.pdfDissertaçãoapplication/pdf1914717https://repositorio.ufscar.br/bitstream/ufscar/13820/1/7%20-%20Disserta%c3%a7%c3%a3o%20-%20Vers%c3%a3o%20Definitiva.pdf38349fb0a97c9ff0c68b70f94fea3152MD513 - Termo de Encaminhamento da Versão Definitiva.pdf3 - Termo de Encaminhamento da Versão Definitiva.pdfCarta Comprovanteapplication/pdf166430https://repositorio.ufscar.br/bitstream/ufscar/13820/3/3%20-%20Termo%20de%20Encaminhamento%20da%20Vers%c3%a3o%20Definitiva.pdfa3ca6255d8d797b1c8004e87fefdaa6dMD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufscar.br/bitstream/ufscar/13820/4/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD54TEXT7 - Dissertação - Versão Definitiva.pdf.txt7 - Dissertação - Versão Definitiva.pdf.txtExtracted texttext/plain78928https://repositorio.ufscar.br/bitstream/ufscar/13820/5/7%20-%20Disserta%c3%a7%c3%a3o%20-%20Vers%c3%a3o%20Definitiva.pdf.txt7ee3e45dfad03a52528ca394c2680942MD553 - Termo de Encaminhamento da Versão Definitiva.pdf.txt3 - Termo de Encaminhamento da Versão Definitiva.pdf.txtExtracted texttext/plain1190https://repositorio.ufscar.br/bitstream/ufscar/13820/7/3%20-%20Termo%20de%20Encaminhamento%20da%20Vers%c3%a3o%20Definitiva.pdf.txt5eb39721db9c77551c81548991f182c3MD57THUMBNAIL7 - Dissertação - Versão Definitiva.pdf.jpg7 - Dissertação - Versão Definitiva.pdf.jpgIM Thumbnailimage/jpeg5156https://repositorio.ufscar.br/bitstream/ufscar/13820/6/7%20-%20Disserta%c3%a7%c3%a3o%20-%20Vers%c3%a3o%20Definitiva.pdf.jpgeeeed3bea30b0e2d0907b689beed324eMD563 - Termo de Encaminhamento da Versão Definitiva.pdf.jpg3 - Termo de Encaminhamento da Versão Definitiva.pdf.jpgIM Thumbnailimage/jpeg5971https://repositorio.ufscar.br/bitstream/ufscar/13820/8/3%20-%20Termo%20de%20Encaminhamento%20da%20Vers%c3%a3o%20Definitiva.pdf.jpga4700ecc0ede2bd2fccf35954c8f6305MD58ufscar/138202023-09-18 18:32:06.282oai:repositorio.ufscar.br:ufscar/13820Repositório InstitucionalPUBhttps://repositorio.ufscar.br/oai/requestopendoar:43222023-09-18T18:32:06Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)false |
dc.title.por.fl_str_mv |
N-BEATS-RNN: deep learning for time series forecasting |
dc.title.alternative.por.fl_str_mv |
N-BEATS-RNN: deep learning for time series forecasting |
title |
N-BEATS-RNN: deep learning for time series forecasting |
spellingShingle |
N-BEATS-RNN: deep learning for time series forecasting Sbrana, Attilio Previsão de séries temporais Aprendizado de máquina Aprendizado profundo Time series forecasting Deep learning Machinel learning CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
title_short |
N-BEATS-RNN: deep learning for time series forecasting |
title_full |
N-BEATS-RNN: deep learning for time series forecasting |
title_fullStr |
N-BEATS-RNN: deep learning for time series forecasting |
title_full_unstemmed |
N-BEATS-RNN: deep learning for time series forecasting |
title_sort |
N-BEATS-RNN: deep learning for time series forecasting |
author |
Sbrana, Attilio |
author_facet |
Sbrana, Attilio |
author_role |
author |
dc.contributor.authorlattes.por.fl_str_mv |
http://lattes.cnpq.br/5980966794385896 |
dc.contributor.author.fl_str_mv |
Sbrana, Attilio |
dc.contributor.advisor1.fl_str_mv |
Naldi, Murilo Coelho |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/0573662728816861 |
dc.contributor.advisor-co1.fl_str_mv |
Rossi, André Luis Debiaso |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/5604829226181486 |
dc.contributor.authorID.fl_str_mv |
cab80dae-8dd5-4570-ba89-c252fdf94aef |
contributor_str_mv |
Naldi, Murilo Coelho Rossi, André Luis Debiaso |
dc.subject.por.fl_str_mv |
Previsão de séries temporais Aprendizado de máquina Aprendizado profundo Time series forecasting Deep learning Machinel learning |
topic |
Previsão de séries temporais Aprendizado de máquina Aprendizado profundo Time series forecasting Deep learning Machinel learning CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
dc.subject.cnpq.fl_str_mv |
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
description |
This work presents N-BEATS-RNN, an extended version of an ensemble of deep learning networks for time series forecasting, N-BEATS. We apply a state-of-the-art Neural Architecture Search, based on a fast and efficient weight-sharing search, to solve for an ideal Recurrent Neural Network architecture to be added to N-BEATS. We evaluated the proposed N-BEATS-RNN architecture in the widely-known M4 competition dataset, which contains 100,000 time series from a variety of sources. N-BEATS-RNN achieves comparable results to N-BEATS and the M4 competition winner while employing solely 108 models, as compared to the original 2,160 models employed by N-BEATS, when composing its final ensemble of forecasts. Thus, N-BEATS-RNN's biggest contribution is in its training time reduction, which is in the order of 9 times compared with the original ensembles in N-BEATS. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-02-05T12:33:09Z |
dc.date.available.fl_str_mv |
2021-02-05T12:33:09Z |
dc.date.issued.fl_str_mv |
2021-01-27 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SBRANA, Attilio. N-BEATS-RNN: deep learning for time series forecasting. 2021. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, Sorocaba, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/13820. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufscar.br/handle/ufscar/13820 |
identifier_str_mv |
SBRANA, Attilio. N-BEATS-RNN: deep learning for time series forecasting. 2021. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, Sorocaba, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/13820. |
url |
https://repositorio.ufscar.br/handle/ufscar/13820 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.confidence.fl_str_mv |
600 |
dc.relation.authority.fl_str_mv |
18fa9a97-8f52-40c3-9e9f-75eedef14b91 |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Carlos Câmpus Sorocaba |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação - PPGCC-So |
dc.publisher.initials.fl_str_mv |
UFSCar |
publisher.none.fl_str_mv |
Universidade Federal de São Carlos Câmpus Sorocaba |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSCAR instname:Universidade Federal de São Carlos (UFSCAR) instacron:UFSCAR |
instname_str |
Universidade Federal de São Carlos (UFSCAR) |
instacron_str |
UFSCAR |
institution |
UFSCAR |
reponame_str |
Repositório Institucional da UFSCAR |
collection |
Repositório Institucional da UFSCAR |
bitstream.url.fl_str_mv |
https://repositorio.ufscar.br/bitstream/ufscar/13820/1/7%20-%20Disserta%c3%a7%c3%a3o%20-%20Vers%c3%a3o%20Definitiva.pdf https://repositorio.ufscar.br/bitstream/ufscar/13820/3/3%20-%20Termo%20de%20Encaminhamento%20da%20Vers%c3%a3o%20Definitiva.pdf https://repositorio.ufscar.br/bitstream/ufscar/13820/4/license_rdf https://repositorio.ufscar.br/bitstream/ufscar/13820/5/7%20-%20Disserta%c3%a7%c3%a3o%20-%20Vers%c3%a3o%20Definitiva.pdf.txt https://repositorio.ufscar.br/bitstream/ufscar/13820/7/3%20-%20Termo%20de%20Encaminhamento%20da%20Vers%c3%a3o%20Definitiva.pdf.txt https://repositorio.ufscar.br/bitstream/ufscar/13820/6/7%20-%20Disserta%c3%a7%c3%a3o%20-%20Vers%c3%a3o%20Definitiva.pdf.jpg https://repositorio.ufscar.br/bitstream/ufscar/13820/8/3%20-%20Termo%20de%20Encaminhamento%20da%20Vers%c3%a3o%20Definitiva.pdf.jpg |
bitstream.checksum.fl_str_mv |
38349fb0a97c9ff0c68b70f94fea3152 a3ca6255d8d797b1c8004e87fefdaa6d e39d27027a6cc9cb039ad269a5db8e34 7ee3e45dfad03a52528ca394c2680942 5eb39721db9c77551c81548991f182c3 eeeed3bea30b0e2d0907b689beed324e a4700ecc0ede2bd2fccf35954c8f6305 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR) |
repository.mail.fl_str_mv |
|
_version_ |
1802136386154790912 |