| Summary: | Time-series forecasting is a longstanding problem, continually evolving with new methodologies. A significant portion of today's data consists of timestamped measurements, such as stock prices, medical monitoring, application logs, weather records, and energy consumption data. Most deep-learning approaches for forecasting time-series data rely on the memory of processing cells, which remember past events and connect them to future occurrences. This thesis explores an innovative method by transforming time-series datasets into the format of colored digital images and employing Convolutional Neural Networks (CNNs) to process multiple cross-correlating time-series datasets simultaneously. This method allows for the analysis of the same time of day across multiple days using a single convolution kernel.
The CNN is integrated into a Generative Adversarial Network (GAN), a robust technique for training generative models. The GAN is then trained to synthesize a time-series dataset consisting of electricity consumption measurements, temperature measurements, and wind speed measurements, spanning the hours of an entire year. The model successfully generated accurate temperature and wind data, although struggling with correct pattern generation for electricity consumption data. This might be due to a multitude of reasons, such as data preparation, model design, and assumptions regarding the data. This study demonstrates the feasibility and potential of generating accurate time-series data in the format of an image, potentially inspiring new approaches for developing time-series models.
Aikasarjojen ennustaminen on pitkään tutkittu ongelma, joka kehittyy jatkuvasti uusien menetelmien myötä. Merkittävä osa nykyään tallennetuista tiedoista koostuu aikaleimatuista mittauksista, kuten osakekurssit, lääketieteelliset seurantatiedot, sovelluslokit, säähavainnot ja energiankulutustiedot. Useimmat syväoppimiseen perustuvat lähestymistavat aikasarjojen ennustamiseen nojaavat prosessointisolujen muistiin, joka tarkastelee menneitä tapahtumia, yhdistäen ne tuleviin tapahtumiin. Tämä tutkielma tarkastelee innovatiivista menetelmää, jossa aikasarjat muutetaan digitaalisen värikuvan muotoon ja konvoluutioneuroverkkoja (CNN) hyödyntäen käsitellään useita aikasarjatietoainestoja yhtä aikaa. Tämä menetelmä mahdollistaa usean päivän samanaikaisen prosessoinnin, helpottaen toistuvien kuvioiden havaitsemista.
Konvoluutioneuroverkko integroidaan generatiiviseen kilpailevaan verkostoon (GAN), joka on tehokkaaksi todettu menetelmä generatiivisten mallien kouluttamiseen. GAN-verkko koulutettiin luomaan aikasarjatietoaineistoja, jotka kattavat vuoden jokaisen tunnin sähkönkulutuksen, lämpötilan ja tuulennopeuden. Malli onnistui tuottamaan tarkkoja lämpötila- ja tuuliaikasarjoja, mutta sähkönkulutuksen vaihtelevien kulutuskuvioiden toisintaminen ei onnistunut. Tämä voi johtua muun muassa mallien suunnitteluvirheistä, datan esikäsittelystä ja oletuksista koulutusdataan. Kokonaisuudessaan tämä tutkimus osoitti potentiaalia kuvamuotoisten aikasarjojen generoinnissa, mikä saattaa inspiroida uusia lähestymistapoja aikasarjamallien kehittämisessä.
|
|---|