A PROPOSTA DESTE TRABALHO CONSISTE NA COLETA DE PEQUENAS JANELAS DE TEMPO COM HISTÓRICOS DE PREÇO E VOLUME, JUNTAMENTE A INDICADORES TÉCNICOS DERIVADOS DESSES DADOS COM A UTILIZAÇÃO DE MODELOS CONSOLIDADOS PELA LITERATURA COMO AS REDES NEURAIS RECORRENTES COM ARQUITETURA LONG SHORT-THERM MEMORY (LSTM) PARA PREDIÇÃO DE SÉRIES TEMPORAIS, QUE SÃO UM TIPO ESPECÍFICO DE REDES NEURAIS ARTIFICIAIS CAPAZES DE APRENDER DEPENDÊNCIAS DE LONGO PRAZO, ADAPTANDO-SE MELHOR PARA O PROBLEMA. ESTE TRABALHO TAMBÉM PROPÕE UM MÉTODO DE COMBINAÇÃO DE TRANSFORMADAS WAVELET PARA ALIMENTAR AS ARQUITETURAS DE REDES NEURAIS RECORRENTES PARA PREVISÃO DESSAS TENDÊNCIAS. AS TRANSFORMADAS SÃO USADAS PARA PRÉ-PROCESSAR AS SÉRIES TEMPORAIS NÃO LINEARES REMOVENDO RUÍDOS, SUAVIZANDO O SINAL PRODUZIDO PELA ALTA VOLATILIDADE DAS SÉRIES, FORNECENDO UM PARADIGMA DE APRENDIZADO DE FASE MAIS PRÓXIMO DA REDE NEURAL ARTIFICIAL.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.