A new recurrent neural network for forecasting seasonal time series
यह शोध पत्र एक्सपोनेंशियल स्मूथिंग विधियों से प्रेरित एक नवीन आवर्ती तंत्रिका नेटवर्क (रिकरेंट न्यूरल नेटवर्क) प्रस्तुत करता है, जो मौजूदा डीप और शैलो आर्टिफिशियल न्यूरल नेटवर्क की तुलना में मौसमी समय श्रृंखला (सीजनल टाइम सीरीज़) के लिए बेहतर पूर्वानुमान प्रदर्शन प्राप्त करने हेतु पार्टिकल स्वार्म ऑप्टिमाइज़ेशन-आधारित लर्निंग एल्गोरिदम और एक नए ऑब्जेक्टिव फंक्शन का उपयोग करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
टाइम सीरीज़ फोरकास्टिंग (समय श्रृंखला पूर्वानुमान) संख्याओं के उस क्रम को देखने का विज्ञान है जो समय के साथ बदलते हैं, ताकि यह अनुमान लगाया जा सके कि आगे क्या होगा। एक मौसम रिपोर्ट के बारे में सोचें जो कल के तापमान की भविष्यवाणी करती है या एक स्टोर मैनेजर के बारे में जो अगले महीने कितने छतों की आवश्यकता होगी, इसका अनुमान लगाता है। ये भविष्यवाणियाँ अक्सर मौसमों के कारण जटिल हो जाती हैं। जिस तरह गर्मियों में मौसम गर्म होता है और सर्दियों में ठंडा, वैसे ही कई डेटा स्ट्रीम हर साल, हर तिमाही या हर महीने पैटर्न दोहराती हैं। दशकों से, सांख्यिकीविदों ने इन दोहराव वाले चक्रों को संभालने के लिए विशेष गणितीय उपकरणों का उपयोग किया है, जबकि कंप्यूटर वैज्ञानिकों ने कृत्रिम तंत्रिका नेटवर्क (आर्टिफिशियल न्यूरल नेटवर्क) बनाए हैं—ऐसे सिस्टम जिन्हें मानव मस्तिष्क के उदाहरणों से सीखने के तरीके की नकल करने के लिए डिज़ाइन किया गया है—ताकि डेटा में जटिल पैटर्न खोजे जा सकें। चुनौती हमेशा यह रही है कि इन कंप्यूटर प्रणालियों को बिना किसी मानवीय हस्तक्षेप के, डेटा को उसके मूल रूप में सरल किए बिना, ऋतुओं की लय को समझने के योग्य कैसे बनाया जाए।
तुर्की के गिरेशुन विश्वविद्यालय और यूनाइटेड किंगडम के किंग्स कॉलेज लंदन के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए विशेष रूप से डिज़ाइन किया गया एक नया प्रकार का कंप्यूटर सिस्टम विकसित किया है। उन्होंने एक नया रिकरेंट न्यूरल नेटवर्क बनाया है, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो भविष्य के अनुमान लगाने के लिए पिछली घटनाओं को याद रख सकता है, लेकिन एक अनूठे मोड़ के साथ। कंप्यूटर को शून्य से मौसम संबंधी दोहराव सीखने के लिए मजबूर करने या मनुष्यों द्वारा डेटा को पहले साफ करने की आवश्यकता के बजाय, शोधकर्ताओं ने मौसमी दोहराव की अवधारणा को सीधे मशीन की संरचना में ही शामिल कर दिया। उनका सिस्टम यह देखने के लिए डिज़ाइन किया गया है कि पिछले वर्ष इसी समय क्या हुआ था, ठीक वैसे ही जैसे एक मानव मौसम विज्ञानी करता है, और उस स्मृति का उपयोग भविष्य की भविष्यवाणी करने के लिए करता है।
शोधकर्ताओं ने अपने नए सिस्टम का परीक्षण छह बहुत अलग वास्तविक दुनिया के डेटासेट्स पर किया ताकि यह देखा जा सके कि क्या यह मौजूदा तरीकों से बेहतर प्रदर्शन कर सकता है। इन डेटासेट्स में एक दशक में दर्ज किए गए मासिक अंतर्राष्ट्रीय हवाई यात्री, ऑस्ट्रेलिया में त्रैमासिक बीयर की खपत, अंकारा में वायु प्रदूषण का स्तर, तुर्की की राष्ट्रीय बिजली खपत और गिरेशुन शहर के स्थानीय वायु दबाव और तापमान की रीडिंग शामिल थी। हर एक मामले में, नया नेटवर्क अन्य लोकप्रिय पूर्वानुमान उपकरणों की तुलना में अधिक सटीक साबित हुआ, जिसमें लॉन्ग शॉर्ट-टर्म मेमोरी नेटवर्क जैसे जटिल डीप लर्निंग मॉडल और सरल रिकरेंट नेटवर्क भी शामिल थे। नया सिस्टम डेटा के अगले चरण की भविष्यवाणी करने में लगातार सबसे कम त्रुटियां प्रदर्शित करता है।
जो चीज़ इस नए नेटवर्क को अलग बनाती है, वह है इसका निर्माण। पारंपरिक कंप्यूटर मॉडल अक्सर पिछले डेटा के हर हिस्से को समान रूप से महत्वपूर्ण मानते हैं, चाहे वह कल का हो या दस साल पहले का। हालांकि, पूर्वानुमान में, जो हाल ही में हुआ है वह तत्काल भविष्य की भविष्यवाणी करने के लिए अधिक महत्वपूर्ण होता है। शोधकर्ताओं ने इसे एक नए तरीके से कंप्यूटर को अपनी गलतियों को मापने का तरीका देकर हल किया। उन्होंने सिस्टम को प्रोग्राम किया कि वह अपने पुराने बजाय हालिया त्रुटियों पर बहुत अधिक ध्यान दे। यह दृष्टिकोण, जिसे वे 'वेटेड एरर मेजरमेंट' (भारित त्रुटि माप) कहते हैं, कंप्यूटर को अपने आंतरिक सेटिंग्स को वर्तमान रुझानों के प्रति अधिक संवेदनशील बनाने के लिए निर्देशित करता है। इसके अलावा, सिस्टम एक ऐसी सीखने की विधि का उपयोग करता है जो इस बात से प्रेरित है कि पक्षियों का झुंड भोजन की तलाश कैसे करता है, जिससे यह सर्वोत्तम समाधान खोजने के लिए एक साथ कई विभिन्न संभावनाओं का पता लगा सके, न कि किसी स्थानीय बाधा में फंस जाए।
अध्ययन में कंप्यूटर को पिछले डेटा को अत्यधिक रटने (ओवर-लर्निंग) से रोकने के लिए एक विशिष्ट रणनीति भी पेश की गई, जो एक ऐसी समस्या है जहाँ एक मॉडल इतिहास को इतनी अच्छी तरह से याद कर लेता है कि वह भविष्य की भविष्यवाणी करने में विफल हो जाता है। प्रशिक्षण प्रक्रिया को बिल्कुल सही समय पर रोकने और यदि सिस्टम फंस जाता है तो कभी-कभी खोज को रीसेट करने की तकनीक का उपयोग करके, शोधकर्ताओं ने यह सुनिश्चित किया कि सिस्टम लचीला बना रहे। जब उन्होंने अपने नए नेटवर्क को परिणामों के केवल भाग्य पर आधारित न होने के सुनिश्चित करने के लिए तीस अलग-अलग बार अन्य तरीकों के विरुद्ध चलाया, तो नया सिस्टम लगातार सबसे स्थिर और सटीक पूर्वानुमान प्रदान करता रहा। प्रदर्शन का अंतर इतना स्पष्ट था कि सांख्यिकीय परीक्षणों ने पुष्टि की कि नया तरीका वास्तव में श्रेष्ठ था, न कि केवल एक सुभगापूर्ण संयोग।
यह कार्य इस दिशा में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है कि मशीनें मौसमी डेटा को कैसे संभालती हैं। न्यूरल नेटवर्क की संरचना में ही मौसमी स्मूथिंग (ऋतु संबंधी सुगमता) के तर्क को समाहित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जिसे सीखने से पहले डेटा को प्री-प्रोसेस या सरल करने की आवश्यकता नहीं है। सिस्टम स्वयं ऋतुओं की लय सीखता है, जो आधुनिक आर्टिफिशियल इंटेलिजेंस के लचीलेपन को पारंपरिक पूर्वानुमान के सिद्ध तर्क के साथ जोड़ता है। परिणाम बताते हैं कि जो कोई भी ऐसी चीज़ की भविष्यवाणी करने की कोशिश कर रहा है जो एक मौसमी पैटर्न का पालन करती है, जैसे ऊर्जा की मांग से लेकर मौसम की स्थिति तक, यह नया दृष्टिकोण भविष्य को देखने का एक अधिक विश्वसनीय और सटीक तरीका प्रदान करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।