Klasifikace časových řad pomocí umělých neuronových sítí

Abstract

Mnoho různých architektur umělých neuronových sítí bylo navrženo, kupříkladu konvoluční neuronové sítě a long short-term memory neuronové sítě. Cílem této práce je aplikovat tyto sítě na klasifikaci časových řad. Po teoretickém popisu těchto architektur je navržena metoda pro jejich experimentální porovnání, a ta je následně implementována v Pythonu. Tato metoda zahrnuje automatickou optimalizaci hyperparametrů neuronových sítí. Popsané architektury jsou poté důkladně porovnány na třech benchmarkových datasetech. Toto porovnání ukazuje, že long short-term memory neuronové sítě dosahují na dvou ze tří datasetů lepších výsledků než konvoluční neuronové sítě.

Various architectures of artificial neural networks have been developed such as convolutional neural networks and long short-term memory neural networks. The aim of this thesis is to apply these networks on the classification of time series. After a theoretical description of the architectures, an experimental procedure for their comparison is proposed and implemented in Python. The procedure includes automatic optimisation of neural network's hyperparameters. Based on this procedure, the architectures are thoroughly compared on three benchmark data sets. The comparison shows that long short-term memory neural networks achieve better results than convolutional neural networks on two of these data sets.