💻 computer science

A new recurrent neural network for forecasting seasonal time series

Dit artikel introduceert een nieuw recurrent neuraal netwerk geïnspireerd door exponentiële middeling-methoden, dat een op particle swarm optimization gebaseerd leeralgoritme en een nieuwe objectieve functie gebruikt om een superieure voorspellende prestatie voor seizoensgebonden tijdreeksen te bereiken vergeleken met bestaande diepe en ondiepe kunstmatige neurale netwerken.

Oorspronkelijke auteurs: Eren Bas, Crina Grosan, Erol Egrioglu

Gepubliceerd 2026-08-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Eren Bas, Crina Grosan, Erol Egrioglu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Tijdreeksvoorspelling is de wetenschap van het kijken naar een reeks getallen die in de loop van de tijd veranderen om te raden wat er hierna zal gebeuren. Denk aan een weerbericht dat de temperatuur van morgen voorspelt of een winkelmanager die inschat hoeveel paraplu's hij voor volgende maand op voorraad moet hebben. Deze voorspellingen worden vaak bemoeilijkt door seizoenen. Net zoals het weer opwarmt in de zomer en afkoelt in de winter, herhalen veel datastromen patronen elk jaar, elk kwartaal of elke maand. Decennialang hebben statistici gespecialiseerde wiskundige instrumenten gebruikt om deze herhalende cycli te beheersen, terwijl computerwetenschappers kunstmatige neurale netwerken hebben gebouwd — systemen die ontworpen zijn om de manier waarop menselijke hersenen van voorbeelden leren na te bootsen — om complexe patronen in data te vinden. De uitdaging is altijd geweest om deze computersystemen het ritme van de seizoenen te laten begrijpen zonder dat een mens eerst de data tot de essentie moet reduceren.

Een team onderzoekers van de Giresun Universiteit in Turkije en King's College London in het Verenigd Koninkrijk heeft een nieuw type computersysteem ontwikkeld dat specifiek is ontworpen om dit probleem op te lossen. Ze hebben een nieuw recurrent neuraal netwerk gecreëerd, een soort kunstmatige intelligentie die in staat is om gebeurtenissen uit het verleden te onthouden om toekomstige gissingen te onderbouwen, maar met een unieke twist. In plaats van de computer te dwingen om seasonaliteit vanaf nul te leren of mensen te vereisen eerst de data op te schonen, hebben de onderzoekers het concept van seizoensgebonden herhaling direct in de structuur van de machine ingebouwd. Hun systeem is ontworpen om te kijken naar wat er vorig jaar op ditzelfde tijdstip gebeurde, net zoals een menselijke meteoroloog dat zou doen, en die herinnering te gebruiken om een voorspelling te doen.

De onderzoekers testten hun nieuwe systeem op zes zeer verschillende real-world datasets om te zien of het bestaande methoden kon overtreffen. Deze datasets bevatten onder andere het aantal internationale vliegtuigpassagiers per maand gedurende een decennium, kwartaalcijfers van bierconsumptie in Australië, maandelijkse luchtvervuilingsniveaus in Ankara, het nationale elektriciteitsverbruik van Turkije, en lokale luchtdruk- en temperatuurmetingen van de stad Giresun. In elk geval bewees het nieuwe netwerk nauwkeuriger te zijn dan andere populaire voorspellingsinstrumenten, inclusief complexe deep learning-modellen zoals Long Short-Term Memory-netwerken en simpelere recurrente netwerken. Het nieuwe systeem produceerde consequent de kleinste fouten bij het voorspellen van de volgende stap in de data.

Wat dit nieuwe netwerk anders maakt, is hoe het is gebouwd. Traditionele computermodellen behandelen elk stukje historische data vaak als even belangrijk, of het nu gisteren was of tien jaar geleden. Echter, bij voorspellingen is wat onlangs is gebeurd meestal belangrijker voor het voorspellen van de directe toekomst. De onderzoekers losten dit op door de computer een nieuwe manier te geven om zijn fouten te meten. Ze programmeerden het systeem om veel meer aandacht te besteden aan de meest recente fouten die het maakte, in plaats van aan de oudere fouten. Deze aanpak, die zij een gewogen foutmeting noemen, stuurt de computer aan om zijn interne instellingen aan te passen zodat deze gevoeliger is voor huidige trends. Bovendien gebruikt het systeem een leermethode geïnspireerd door hoe een zwerm vogels naar voedsel kan zoeken, waardoor het vele verschillende mogelijkheden tegelijkertijd kan verkennen om de beste oplossing te vinden, in plaats dat het vast komt te zitten in een lokale valstrik.

De studie introduceerde ook een specifieke strategie om te voorkomen dat de computer de historische data overmatig leert, een probleem waarbij een model de geschiedenis zo goed onthoudt dat het faalt in het voorspellen van de toekomst. Door een techniek te gebruiken die het trainingsproces op precies het juiste moment stopt en af en toe de zoektocht reset als het vastloopt, zorgden de onderzoekers ervoor dat het systeem flexibel bleef. Toen ze hun nieuwe netwerk dertig afzonderlijke keren tegen de andere methoden lieten draaien om te verzekeren dat de resultaten niet slechts op geluk berustten, leverde het nieuwe systeem consequent de meest stabiele en nauwkeurige voorspellingen. Het verschil in prestaties was zo duidelijk dat statistische tests bevestigden dat de nieuwe methode werkelijk superieur was, en niet slechts een gelukkige uitschieter.

Dit werk vormt een belangrijke stap voorwaarts in hoe machines met seizoensgebonden data omgaan. Door de logica van seizoensgebonden smoothing direct in de architectuur van het neurale netwerk in te bedden, hebben de onderzoekers een hulpmiddel gecreëerd dat niet nodig heeft dat de data vooraf wordt voorbewerkt of vereenvoudigd voordat het kan leren. Het systeem leert het ritme van de seizoenen op eigen kracht, waarbij het de flexibiliteit van moderne kunstmatige intelligentie combineert met de bewezen logica van traditionele voorspellingen. De resultaten suggereren dat voor iedereen die probeert te voorspellen wat ook maar een seizoensgebonden patroon volgt, van de vraag naar energie tot weersomstandigheden, deze nieuwe aanpak een betrouwbaardere en nauwkeurigere manier biedt om in de toekomst te kijken.

Technische Samenvatting: Een Nieuw Recurrent Neuraal Netwerk voor het Voorspellen van Seizoensgebonden Tijdreeksen

Probleemstelling
Het voorspellen van seizoensgebonden tijdreeksen vereist gespecialiseerde modellen die in staat zijn om periodieke structuren te verwerken. Hoewel statistische methoden zoals SARIMA en exponentiële smoothing (ETS) de traditionele standaarden zijn, en Artificiële Neurale Netwerken (ANN's) niet-lineaire modelleringsmogelijkheden bieden, vertrouwen bestaande ANN-benaderingen vaak op externe decomitietechnieken of voegen simpelweg vertraagde variabelen als inputs toe om seasonaliteit te vangen. De auteurs merken op dat standaard ANN's niet inherent de logica van exponentiële smoothing benutten, waarbij feedback op modelvoorspellingen de prestaties kan verbeteren. Bovendien is traditioneel gradiëntgebaseerd leren in ANN's gevoelig voor het vastlopen in lokale optima, en behandelen standaard foutmetrieken (zoals MSE) alle historische fouten gelijk, wat potentieel de kritieke belangrijkheid van recente observaties voor voorspellingen verwaarloost.

Methodologie
Het artikel stelt een nieuw Recurrent Artificieel Neuraal Netwerk (RNN) voor dat specifiek is ontworpen om seizoensgebonden dynamiek te modelleren zonder voorafgaande data-decompositie. De architectuur en het leerproces worden als volgt gedefinieerd:

Netwerkarchitectuur: Het voorgestelde netwerk bestaat uit twee afzonderlijke operationele paden die worden gesynthetiseerd door een combinatieparameter ( $\beta$ ):
1. Convolutionele Neuron Topologie: Dit component verwerkt $p$ vertraagde observaties ( $x_{t-j}$ ) met behulp van gewichten en biases, geïntegreerd met een logistische activatiefunctie om niet-lineariteit te introduceren.
2. Seizoensgebonden Recurrente Smoothing: Dit component bootst de logica van exponentiële smoothing na. Het neemt huidige en seizoensgebonden vertraagde inputs ( $x_{t-1}$ en $x_{t-s}$ ) en incorporeert feedback van historische netwerkoutputs ( $\hat{x}_{t-1}$ en $\hat{x}_{t-s}$ ). Dit pad maakt gebruik van smoothing-coëfficiënten ( $\alpha_1, \alpha_2$ ) en een gewichtsfactor ( $\alpha_3$ ) om het niveau en de seizoenscomponenten te modelleren.
  De uiteindelijke output is een gewogen som van deze twee paden.
Leeralgoritme (PSO): Om lokale optima-vallen te vermijden die gebruikelijk zijn bij gradiëntgebaseerde methoden, worden de netwerkparameters (gewichten, biases, smoothing-coëfficiënten en combinatiefactoren) geoptimaliseerd met behulp van Particle Swarm Optimization (PSO).
- Doelfunctie: Er wordt een nieuwe doelfunctie geïntroduceerd, de Weighted Mean Squared Error (WMSE). In tegen tegenstelling tot standaard MSE, wijst WMSE exponentieel hogere gewichten toe aan recente observaties, waarbij de nauwkeurigheid van de meest recente datapunten prioriteit krijgt.
- Trainingsstrategieën: Het trainingsproces maakt gebruik van een early stopping mechanisme om overfitting te voorkomen en een dynamische herstartstrategie om de swarm te herinitialiseren als de optimalisatie stagneert, wat de zoektocht naar een globaal optimum waarborgt.
Experimentele Opzet: Het model werd geëvalueerd op zes diverse seizoensgebonden tijdreeksdatasets:
1. Logaritmische internationale passagiersaantallen (Maandelijks, $s=12$ ).
2. Australisch bierverbruik (Kwartaal, $s=4$ ).
3. Ankara luchtverontreiniging ( $SO_2$ ) (Maandelijks, $s=12$ ).
4. Turkije elektriciteitsverbruik (Maandelijks, $s=12$ ).
5. Giresun Stad luchtdruk (Maandelijks, $s=12$ ).
6. Giresun Stad temperatuur (Maandelijks, $s=12$ ).
De prestaties werden vergeleken met Long Short-Term Memory (LSTM), Pi-Sigma Artificial Neural Network (PS-ANN) en Simple Recurrent Neural Network (SRNN). Elk model onderging hyperparameter-tuning via een validatieset, en de uiteindelijke prestaties werden beoordeeld op een testset over 30 onafhankelijke runs om statistische betrouwbaarheid te garanderen.

Belangrijkste Resultaten
Over alle zes de datasets vertoonde het voorgestelde netwerk een superieure voorspellende prestatie vergeleken met de benchmarkmodellen:

Nauwkeurigheid: De voorgestelde methode behaalde consistent de laagste Mean Root Mean Squared Error (RMSE) op de testsets. Zo behaalde het bij de dataset van de internationale passagiers een gemiddelde RMSE van 0,089 vergeleken met 0,271 voor LSTM en 0,317 voor SRNN.
Stabiliteit: Het voorgestelde netwerk vertoonde aanzienlijk lagere standaarddeviaties in foutmetrieken over de 30 runs, wat duidt op een grotere robuustheid tegen willekeurige initialisatie vergeleken met de volatiele prestaties van SRNN en PS-ANN.
Statistische Significantie: Niet-parametrische Wilcoxon signed-rank tests werden uitgevoerd om de distributies van de fouten te vergelijken. De resultaten leverden $p$ -waarden op die ruim onder de $10^{-3}$ drempel lagen voor alle vergelijkingen, wat bevestigt dat de prestatieverbeteringen van het voorgestelde netwerk ten opzichte van de benchmarks statistisch significant zijn en niet op toeval berusten.

Betekenis en Claims
De auteurs beweren dat deze studie de kloof overbrugt tussen klassieke exponentiële smoothing-filosofieën en moderne deep learning. Door seizoensgebonden smoothing-logica en dynamische feedbackloops direct in de architectuur van het neurale netwerk te integreren, legt het model complexe niet-lineaire dynamiek en seizoensgebonden afhankelijkheden vast zonder dat voorafgaande decompositie vereist is.

De significantie van het werk ligt in:

Architecturale Innovatie: Het creëren van een recurrente structuur die inherent seizoensperioden respecteert door middel van feedbackmechanismen die vergelijkbaar zijn met exponentiële smoothing.
Optimalisatie Vooruitgang: Het gebruik van PSO met een aangepaste WMSE-doelfunctie en herstartstrategieën adresseert effectief de uitdagingen van lokale optima en de noodzaak om recente datatrends prioriteit te geven.
Empirische Validatie: De consistente uitmuntendheid over economische, milieutechnische en nutsvoorziening-datasets suggereert dat het model een robuust, wiskundig solide alternatief is voor complexe seizoensgebonden voorspellingsproblemen.

Het artikel concludeert dat het voorgestelde netwerk een zeer stabiele en nauwkeurige oplossing biedt voor seizoensgebonden tijdreeksen, waarbij toekomstig werk potentieel de extensies naar meerdere en geneste seizoensperioden kan verkennen.

Meer zoals dit