WO2000063789A2 - Verfahren zur prognose des verlaufes von datenreihen und vorrichtung zur durchführung des verfahrens - Google Patents
Verfahren zur prognose des verlaufes von datenreihen und vorrichtung zur durchführung des verfahrens Download PDFInfo
- Publication number
- WO2000063789A2 WO2000063789A2 PCT/EP2000/002784 EP0002784W WO0063789A2 WO 2000063789 A2 WO2000063789 A2 WO 2000063789A2 EP 0002784 W EP0002784 W EP 0002784W WO 0063789 A2 WO0063789 A2 WO 0063789A2
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- influencing variables
- course
- neural network
- forecast
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Definitions
- the invention relates to a method for predicting the course of a data series, this forecast being determined from the course of suspected influencing variables by means of a neural network.
- a fundamental problem when using neural networks is that they can only take into account a limited number of influencing variables.
- the selection of the influencing variables therefore essentially determines the accuracy of an automatic forecasting system.
- the invention is therefore based on the object of specifying a method of the type mentioned at the outset which leads to forecast values which are as accurate as possible.
- this is done with a method for forecasting the course of a data series, this forecast being determined by means of a neural network from the course of suspected influencing variables with the following method steps: - Using a data filter, the set of suspected influencing variables recorded in a database is converted into a sentence with a limited number selected by influencing factors;
- the neural network is trained with the selected influencing variables and part of the known course of the data series; - The forecast accuracy of the trained network is checked on the remaining part of the known course of the data series and assigned a value number;
- a set of influencing variables is determined in an iterative process for which the value number reaches a minimum
- the set of influencing variables with the minimum number of values is used to forecast the further course of the data series.
- the method according to the invention also leads to very good prognosis results for data series with a large number of influencing variables.
- the average forecast error of the neural network is determined both for the training data and for the check data and the larger value of the two is defined as the number of values.
- the assessment of the "fitness”, i.e. the quality of a solution, is essential for the accuracy of a genetic algorithm.
- the assessment of the fitness according to the invention requires comparatively little calculation effort and leads to good results.
- the neural network is trained and checked for several different sets of influencing variables simultaneously.
- the processes mentioned take up a lot of computing time. They are therefore executed in parallel, i.e. A neural network is set up on several computers, the selected sentences are distributed to these neural networks for testing, and the results are combined for further evaluation.
- a device for carrying out the method, in which a plurality of computers are provided which work together using both the TCP and the DCOM protocol in such a way that one of the computers acts as a TCP server and DCOM Client and the other computers work as DCOM servers and TCP clients in accordance with the relevant standards.
- the course of a data series is to be predicted for the future.
- the history of the data series in the past and the corresponding values of presumed influencing variables are known. This data is in one
- N is in the range
- T in the range of a few 100.
- Perceptron principle should have this N input neurons and 1 output neuron.
- the number h e N. the "hidden" neurons of the intermediate layers can be freely selected.
- G (K + 1) • h.
- K is the number of input neurons, in this case equal to N.
- the neural network is trained over the time axis, the maximum number of available training examples T and in the exemplary embodiment is an order of magnitude smaller than G. This network is overdetermined and therefore not realizable.
- the aim now is to make the number of free parameters G smaller than that To keep the number of training examples 7, if possible by an entire order of magnitude: (K + ⁇ ) - h ⁇ T.
- a set of K influencing variables x n (t) ... x fl ⁇ _ (t), l ⁇ n ] ... n ⁇ ⁇ N is to be selected on the basis of which the neural network determines an optimal prognosis.
- this selection is made in an iterative process using a genetic algorithm. It is a search algorithm that mimics the biological processes of mutation, recombination and selection. The calculation of these processes is relatively complex, but leads to very good results.
- the genetic algorithm and the neural network work together in such a way that a limited number of influencing variables are selected by means of the genetic algorithm and the neural network is trained and tested with these influencing variables and the corresponding values of the data series to be predicted.
- the results are called the genetic fitness Algorithm fed back and used to determine further sets of influencing variables.
- the set of influencing variables with the best fitness is then used to forecast the future course of the data series.
- a filter is defined, the transfer function of which describes the selection process.
- the filter comprises the database and a vector with K elements (n, ..., n ⁇ ) from which the input vector for the neural network is calculated.
- the "transfer function" of this filter is therefore
- the accuracy of the prognosis of the neural network for this input data is determined and defined as fitness.
- the assessment of the "fitness”, i.e. the quality of a solution, is essential for the accuracy of a genetic algorithm.
- the assessment of the fitness according to the invention requires comparatively little calculation effort and leads to good results.
- new sentences are determined by recombination: two sentences are combined by exchanging the parameters, e.g.: from (n ,,, ..., n x ⁇ ) and # ⁇ - p ..., / ⁇ 2je becomes ( n 2l , n 22 , n u , n u , ..., n ⁇ _, n 2 ⁇ ).
- the newly created sets of influencing variables are changed in a random manner by mutation. Then the fitness values of the neural network are again calculated for these sets.
- the determination of a fitness value g requires relatively high computing power or computing time, mainly because the training process of the neural network requires a lot of effort. Therefore, according to the invention, several sets of influencing variables are processed in parallel on different computers.
- the data records to be processed are queued and from there distributed to the individual computers for calculations.
- This queue is executed on the computer on which the genetic algorithm is also calculated.
- This computer is set up as a TCP server, in accordance with the “Transmission Control Protocol / Internet Protocol (TCP / IP). "A de facto
- TCP / IP Transmission Control Protocol / Internet Protocol
- IP is the agreement on how the individual data packets are formulated and sent.
- the TCP then takes over the connection establishment and the secure delivery of the , g. / Data packet.
- the name of TCP / IP is based on the two most used protocols, but they are basically dozens of different protocols. (Log collection). Many of these work invisibly to the user, but address the enormous problems of network access and the cooperation of various networks and routing methods that occur in such a diverse and heterogeneous network as the Internet.
- the TCP / IP protocols can be roughly divided into four operating levels: network access, network, transport, application.
- the other computers are set up as TCP clients.
- conventional TCP servers cannot actively establish a connection, but can only react passively to requests. Therefore, the TCP server is executed using a different protocol (DCOM) as a client, whereby a TCP server / DCOM client TCP client / DCOM server architecture of the computer system.
- DCOM protocol
- a connection is set up as follows:
- - DCOM client (computer 1) starts DCOM server on another computer (computer 2)
- - DCOM server (computer 2) starts TCP client (computer 2) and
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Es wird ein Verfahren zur Prognose des Verlaufes einer Datenreihe angegeben, wobei diese Prognose mittels neuronalem Netz aus dem Verlauf vermuteter Einflußgrößen ermittelt wird und wobei aus den vermuteten Einflußgrößen mittels genetischem Algorithmus ein Satz von Einflußgrößen ausgewählt wird, der die Eingangswerte des neuronalen Netzes für die Prognose des weiteren Verlaufes der Datenreihe bildet.
Description
Verfahren zur Prognose des Verlaufes von Datenreihen und Vorrichtung zur Durchführung des Verfahrens
Die Erfindung betrifft ein Verfahren zur Prognose des Verlaufes einer Datenreihe, wobei diese Prognose mittels neuronalem Netz aus dem Verlauf vermuteter Einflußgrößen ermittelt wird.
Für die optimale Nutzung und Bereitstellung von Resourcen wie zB. elektrischer Energie sind fundierte Aussagen über den Bedarf von höchster Bedeutung. Dies gilt auch für die Resource Kapital, für deren optimale Veranlagung die Entwicklung der Finanzmärkte möglichst zutreffend prognostiziert werden muß.
Diese Prognosen werden zunehmend mittels neuronalen Netzen erstellt.
Ein grundlegendes Problem beim Einsatz neuronaler Netze besteht nun darin, daß diese nur eine begrenzte Zahl von Einflußgrößen berücksichtigen können. Die Auswahl der Einflußgrößen bestimmt daher wesentlich die Treffsicherheit eines automatischen Prognosesystemes.
Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren der eingangs genannten Art anzugeben, welches zu möglichst treffsicheren Prognosewerten führt.
Dies geschieht erfindungsgemäß mit einem Verfahren zur Prognose des Verlaufes einer Datenreihe, wobei diese Prognose mittels neuronalem Netz aus dem Verlauf vermuteter Einflußgrößen ermittelt wird mit folgenden Verfahrensschritten: - mittels Datenfilter wird aus der in einer Datenbasis erfaßten Gesamtheit der vemuteten Einflußgrößen ein Satz mit einer begrenzten Zahl von Einflußgrößen ausgewählt;
- mit den ausgewählten Einflußgrößen und einem Teil des bekannten Verlaufes der Datenreihe wird das neuronale Netz trainiert; - die Prognosegenauigkeit des trainierten Netzes wird an dem restlichen Teil des bekannten Verlaufes der Datenreihe überprüft und mit einer Wertzahl belegt;
- unter Zuhilfenahme eines genetischen Algorithmus wird in einem iterativen Prozeß ein Satz von Einflußgrößen ermittelt, für den die Wertzahl ein Minimum erreicht
- der Satz von Einflußgrößen mit der minimalen Wertzahl wird zur Prognose des weiteren Verlaufes der Datenreihe herangezogen.
Wie anhand von Beipielen, wie z.B. der Entwicklung von Finanzmärkten gezeigt werden konnte, führt das erfindungsgemäße Verfahren auch bei Datenreihen mit sehr vielen Einflußgrößen zu sehr guten Prognoseerfolgen.
Vorteilhaft ist es, wenn zur Bestimmung der Wertzahl der mittlere Prognosefehler des neuronalen Netzes sowohl zu den Trainingsdaten wie auch zu den Überprüfungsdaten ermittelt und der größere Wert der beiden als Wertzahl festgelegt wird. Die Einschätzung der „Fitness" , d.h. der Qualität einer Lösung ist wesentlich für die Treffsicherheit eines genetischen Algorithmus. Die erfindungsgemäße Beurteilung der Fitness erfordert vergleichsweise geringen Berechnungsaufwand und führt zu guten Ergebnissen.
Vorteilhaft ist es weiterhin, wenn bei der Auswahl der Einflußgrößen eine vorgegebene Anzahl von Sätzen zufällig ausgewählt wird, daß aus diesen die Sätze ausgewählt werden, für welche die Wertzahl der Prognosegenauigkeit ein Minimum erreicht und daß aus jeweils zwei der ausgewählten Sätze durch Austausch einzelner
Einflußgrößen neue Sätze gewonnen und diese in zufälliger Weise wieder verändert werden.
Günstig ist es auch, wenn Training und Überprüfung des neuronalen Netzes für mehrere unterschiedlichen Sätze von Einflußgrößen gleichzeitig erfolgen. Die genannten Vorgänge nehmen sehr viel Rechenzeit in Anspruch. Sie werden daher parallel ausgeführt, d.h. auf mehrerem Computern wird jeweils ein neuronales Netz eingerichtet, die ausgewählten Sätze werden zum Testen auf diese neuronalen Netze aufgeteilt und die Ergebnisse zur weiteren Auswertung zusammengeführt.
Vorteilhaft ist es weiterhin, wenn zur Durchführung der Verfahren eine Vorrichtung vorgesehen ist, bei der mehrere Computer vorgesehen sind, welche unter Verwendung sowohl des TCP- als auch des DCOM-Protokolls in der Weise zusammenarbeiten, daß einer der Computer als TCP-Server und DCOM Client und die weiteren Computer als DCOM-Server und TCP-Client entsprechend den diesbezüglichen Standards arbeiten.
Die Erfindung wird anhand eines Ausführungsbeispieles näher erläutert
Bei dem Ausführungsbeispiel ist der Verlauf einer Datenreihe für die Zukunft zu prognostizieren. Bekannt ist der Verlauf der Datenreihe in der Vergangenheit und die damit korrespondierenden Werte von vermuteten Einflußgrößen.
Diese Daten sind in einer
Datenbasis l ≤ t ≤ T enthalten. N liegt beim Ausführungsbeispiel im Bereich
Zur Erfassung all dieser Daten mittels neuronalem Netz nach dem Multi-Layer-
Perceptron-Prinzip müßte dieses N Input Neuronen und 1 Output Neuron aufweisen. Die Anzahl h e N . der „versteckten" Neuronen der Zwischenschichten ist dabei frei wählbar. Daraus ergibt sich die Zahl G der freien Parameter (Gewichte) gemäß G = (K + 1) • h . K ist die Zahl der Input Neuronen, in diesem Fall gleich N. Da das neuronale Netz über die Zeitachse trainiert wird, ist die maximale Anzahl der verfügbaren Trainingsbeispiele T und im Ausführungsbeispiel um eine Größenordnung kleiner als G. Dieses Netz ist überbestimmt und damit nicht realisierbar. Ziel ist es nun, die Zahl der freien Parameter G kleiner als die Zahl der Trainingsbeispiele 7 zu halten, nach Möglichkeit um eine ganze Größenordnung: (K + ϊ) - h < T .
Bei einer sinnvollen Anzahl von versteckten Neuronen h « 10 ergibt sich eine Maximaizahl von ebenfalls etwa 10 Inputneuronen. Es ist also eine Menge von K Einflußgrößen xn (t)...xflι_ (t) , l ≤ n] ...nκ ≤ N auszuwählen, auf deren Basis das neuronale Netz eine optimale Prognose ermittelt.
Erfindungsgemäß erfolgt diese Auswahl in einem iterativen Prozeß mittels genetischem Algorithmus. Dabei handelt es sich um einen Suchalgorithmus, der die biologischen Prozesse von Mutation, Rekombination und Selektion nachahmt. Die Berechnung dieser Vorgänge ist relativ aufwendig, führt aber zu sehr guten Ergebnissen.
Genetischer Algorithmus und neuronales Netz wirken dabei in der Weise zusammen, daß mittels genetischem Algorithmus eine begrenzte Zahl von Einflußgrößen ausgewählt und das neuronale Netz mit diesen Einflußgrößen und den damit korrespondierenden Werten der zu prognostizierenden Datenreihe trainiert und getestet wird. Die Ergebnisse werden als sogenannte Fitness dem genetischen
Algorithmus wieder zugeführt und zur Ermittlung weiterer Sätze von Einflußgrößen herangezogen. Der Satz von Einflußgrößen mit der besten Fitness wird dann zur Prognose des künftigen Verlaufes der Datenreihe herangezogen.
Zur Durchführung des Verfahrens wird ein Filter definiert, dessen Übertragungsfunktion den Auswahlvorgang beschreibt. Nach dem Ausführungsbeispiel umfaßt das Filter die Datenbasis und einen Vektor mit K Elementen (n ,...,nκ ) aus denen der Inputvektor für das Neuronale Netz errechnet wird. Die „Übertragungsfunktion" dieses Filters ist daher
Danach wird die Prognosegenauigkeit des neuronalen Netzes für diese Eingangsdaten bestimmt und als Fitness festgelegt. . Die Einschätzung der „Fitness" , d.h. der Qualität einer Lösung ist wesentlich für die Treffsicherheit eines genetischen Algorithmus. Die erfindungsgemäße Beurteilung der Fitness erfordert vergleichsweise geringen Berechnungsaufwand und führt zu guten Ergebnissen.
Dabei ist nicht nur die Genauigkeit der Prognose während der Trainingsphase von Interesse, sondern das Ergebnis an einem Fall, den das Netz noch nicht „gesehen" hat. Zu diesem Zweck wird die Datenmenge der ausgewählten Einflußgrößen und der zugehörigen Ergebnisse in 2 Teilmengen zerlegt; eine Trainingsmenge, welche etwa 80% der Daten umfaßt und eine Validierungsmenge. Das Netz wird nun mit der Trainingsmenge trainiert und danach wird der mittlere Prognosefehler eτ,evfür beide Teilmengen getrennt ermittelt.
Die Prognosegenauigkeit des neuronalen Netzes, ergibt sich daraus gemäß g = max(eτ,ev) .
Zur Ermittlung jener Filterparameter (Einflußgrößen) für welche die Fitness ein Minimum aufweist, also mm(g(ni ,...,nκ )) mit l ≤ n, ...nκ ≤ N , das ergibt N mögliche Lösungen wird in einem ersten Schritt eine Menge von P zufällig gewählten Sätzen von
Einflußgrößen ausgewählt, und dazu die jeweilige Fitness des neuronalen Netzes
ermittelt:
Danach werden aus der Menge von P gewählten Sätzen von Einflußgrößen jene ausgewählt, welche den geringsten Betrag der Fitness ergeben. Mit diesen ausgewählten Sätzen werden durch Rekombination neue Sätze ermittelt: jeweils zwei Sätze werden durch Austausch der Parameter kombiniert, z.B.: aus(n, , ,..., nxκ ) und #ι-p...,/ι2jewird (n2l,n22,nu,nu,...,nικ_ ,n2κ).
In einem weiteren Schritt werden die neu entstandenen Sätzen von Einflußgrößen durch Mutation in zufälliger Weise verändert. Danach werden wiederum die Fitnesswerte des neuronalen Netzes für diese Sätze berechnet.
Dieser Prozeß wird über mehrere Iterationen fortgeführt, bis eine optimale Prognose erreicht ist.
Die Ermittlung eines Fitnesswertes g(...) beansprucht verhältnismäßig hohe Rechenleitung bzw. Rechenzeit, vor allem deswegen, weil der Trainingsvorgang des neuronalen Netzes hohen Aufwand erfordert. Deshalb werden erfindungsgemäß mehrere Sätze von Einflußgrößen parallel auf verschiedenen Rechnern bearbeitet.
Dazu werden die zu bearbeitenden Datensätze in einer Warteschlange (Queue) gereiht, und von da aus zur Berechnungen auf die einzelnen Computer verteilt. Diese Queue wird auf jenem Rechner ausgeführt, auf dem auch der genetische Algorithmus berechnet wird. Dieser Rechner wird als TCP-Server eingerichtet, entsprechend dem „Transmission Control Protocol / Internet Protocol (TCP/IP). „ einem de-facto-
Industriestandard der weltweit immer mehr an Bedeutung gewinnt und aus der End-zu- End-Kommunikation in heterogenen Netzumgebungen nicht mehr wegzudenken ist.
TCP/IP (Transmission Control Protocol/Internet Protocol) ist zuständig für denTransport der Datenpaketen innerhalb des Internets. IP ist dabei die Vereinbarung, wie die einzelnen Datenpakete formuliert und versendet werden. Anschließend übernimmt das TCP dann den Verbindungsaufbau und die sichere Zustellung des
. g . / Datenpakets. Die Benennung von TCP/IP gründet auf den zwei am meisten benutzten Protokollen, jedoch handelt es sich im Grunde um Dutzende verschiedener Protokolle. (Protokollsammlung). Viele davon arbeiten für den Benutzer unsichtbar, greifen aber die enormen Probleme des Netzzugriffs und der Zusammenarbeit verschiedener Netze und Routingmethoden auf, die in einem derart vielgestaltigen und heterogenen Netz wie dem Internet auftreten.
Die TCP/IP-Protokolle können grob in vier Betriebsebenen gegliedert werden: Netzzugriff, Netzwerk, Transport, Anwendung.
Die weiteren Computer werden als TCP-Client eingerichtet. Herkömmliche TCP- Server können allerdings nicht aktiv eine Verbindungen aufbauen, sondern nur passiv auf Anfragen reagieren. Daher wird der TCP-Server unter Anwendung eines anderen Protokolls (DCOM) als Client ausgeführt wodurch eine TCP-Server/DCOM-Client TCP-Client/DCOM-Server Architektur des Rechnersystemes.
Der Aufbau einer Verbindung geht hierbei folgendermaßen vor sich:
- TCP-Server und DCOM-Client werden instantiiert (Rechner 1),
- DCOM-Client (Rechner 1) startet DCOM-Server auf einem anderen Rechner (Rechner 2), - DCOM-Server (Rechner 2) startet TCP-Client (Rechner 2) und
- TCP-Client (Rechner 2) verbindet sich mit dem TCP-Server (Rechner 1 ). Danach kann der Datenaustausch beginnen.
Sind alle Parameterkombinationen ausgewertet, werden die Ergebnisse an den GA zurückgegeben, der dann mit der nächsten Iteration fortsetzen kann..
Claims
Patentansprüche
1) Verfahren zur Prognose des Verlaufes einer Datenreihe, wobei diese Prognose mittels neuronalem Netz aus dem Verlauf vermuteter Einflußgrößen ermittelt wird, mit folgenden Verfahrensschritten: mittels Datenfilter wird aus der in einer Datenbasis erfaßten Gesamtheit der vemuteten Einflußgrößen ein Satz mit einer begrenzten Zahl von Einflußgrößen ausgewählt; mit den ausgewählten Einflußgrößen und einem Teil des bekannten Verlaufes der
Datenreihe wird das neuronale Netz trainiert; die Prognosegenauigkeit des trainierten Netzes wird an dem restlichen Teil des bekannten Verlaufes der Datenreihe überprüft und mit einer Wertzahl belegt; unter Zuhilfenahme eines genetischen Algorithmus wird in einem iterativen Prozeß ein Satz von Einflußgrößen ermittelt, für den die Wertzahl ein Minimum erreicht der Satz von Einflußgrößen mit der minimalen Wertzahl wird zur Prognose des weiteren Verlaufes der Datenreihe herangezogen.
2) Verfahren nach Anspruchl , dadurch gekennzeichnet, daß zur Bestimmung der Wertzahl der mittlere Prognosefehler des neuronalen Netzes sowohl zu den Trainingsdaten wie auch zu den Überprüfungsdaten ermittelt und der größere Wert der beiden als Wertzahl festgelegt wird.
3) Verfahren nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, daß bei der Auswahl der Einflußgrößen eine vorgegebene Anzahl von Sätzen zufällig ausgewählt wird, daß aus diesen die Sätze ausgewählt werden, für welche die Wertzahl der Prognosegenauigkeit ein Minimum erreicht und daß aus jeweils zwei der ausgewählten Sätze durch Austausch einzelner Einflußgrößen neue Sätze gewonnen und diese in zufälliger Weise wieder verändert werden.
4) Verfahren nach einem der Ansprüche 1 bis 3 dadurch gekennzeichnet, daß Training und Überprüfung des neuronalen Netzes für mehrere unterschiedlichen
Sätze von Einflußgrößen gleichzeitig erfolgen.
5) Vorrichtung zur Durchführung der Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß mehrere Computer vorgesehen sind, welche unter Verwendung sowohl des TCP- als auch des DCOM-Protokolls in der Weise zusammenarbeiten, daß einer der Computer als TCP-Server und DCOM Client und
die weiteren Computer als DCOM-Server und TCP-Client entsprechend den diesbezüglichen Standards arbeiten.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AU42916/00A AU4291600A (en) | 1999-04-16 | 2000-03-30 | Method for prognosing the course of a data sequence and device for carrying out said method |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AT68499 | 1999-04-16 | ||
| ATA684/99 | 1999-04-16 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| WO2000063789A2 true WO2000063789A2 (de) | 2000-10-26 |
| WO2000063789A3 WO2000063789A3 (de) | 2001-03-22 |
Family
ID=3497097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/EP2000/002784 Ceased WO2000063789A2 (de) | 1999-04-16 | 2000-03-30 | Verfahren zur prognose des verlaufes von datenreihen und vorrichtung zur durchführung des verfahrens |
Country Status (2)
| Country | Link |
|---|---|
| AU (1) | AU4291600A (de) |
| WO (1) | WO2000063789A2 (de) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10242407B1 (en) | 2013-09-24 | 2019-03-26 | Innovative Market Analysis, LLC | Financial instrument analysis and forecast |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0528399A3 (en) * | 1991-08-19 | 1994-12-21 | Toyoda Machine Works Ltd | Method and apparatus for learning of neural network |
| JPH10513290A (ja) * | 1995-01-31 | 1998-12-15 | 松下電器産業株式会社 | 比率予測システムと混合物生成方法 |
| US5727128A (en) * | 1996-05-08 | 1998-03-10 | Fisher-Rosemount Systems, Inc. | System and method for automatically determining a set of variables for use in creating a process model |
-
2000
- 2000-03-30 WO PCT/EP2000/002784 patent/WO2000063789A2/de not_active Ceased
- 2000-03-30 AU AU42916/00A patent/AU4291600A/en not_active Abandoned
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10242407B1 (en) | 2013-09-24 | 2019-03-26 | Innovative Market Analysis, LLC | Financial instrument analysis and forecast |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2000063789A3 (de) | 2001-03-22 |
| AU4291600A (en) | 2000-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE60301202T2 (de) | Verfahren und vorrichtung zur verkehrssteuerung einer web-farm | |
| DE3236832A1 (de) | Verfahren und geraet zur sprachanalyse | |
| DE2949582A1 (de) | Verfahren und anordnung zur bestimmung der tonhoehe in menschlicher sprache | |
| DE4328752B4 (de) | Spracherkennungssystem | |
| DE60124122T2 (de) | Kommunikationsnetzentwurf | |
| EP1361737A1 (de) | Verfahren und System zur Verarbeitung von Sprachdaten und Klassifizierung von Gesprächen | |
| DE1915819A1 (de) | Verfahren und Anordnung zur adaptiven Zeichenerkennung | |
| EP1470459B1 (de) | Frühzeitige prognose der zuverlässigkeit einer technischen anordnung | |
| DE19504664C2 (de) | Chaotisches rekurrentes neuronales Netz und Lernverfahren dafür | |
| WO2000063789A2 (de) | Verfahren zur prognose des verlaufes von datenreihen und vorrichtung zur durchführung des verfahrens | |
| WO2025114004A1 (de) | System und verfahren mit einem large language model | |
| EP0643353B1 (de) | Vorrichtung und Verfahren zur Datenverarbeitung | |
| EP1264253A1 (de) | Verfahren und anordnung zur modellierung eines systems | |
| EP3211499A2 (de) | Verfahren, computerprogrammprodukt und schwenkbiegemaschine zum biegen von blechen | |
| WO2015078436A1 (de) | Plattform-vorrichtung zur bereitstellung quantitativen schwarm-wissens | |
| WO2005036424A9 (de) | Werkzeug für die unternehmensführung | |
| DE19811352C2 (de) | System und Verfahren zur Suche auf untereinander vernetzten Rechnern mit Informationsbeständen mittels Softwareagenten | |
| EP1363271A1 (de) | Verfahren und System zur Verarbeitung und Speicherung von Sprachinformationen eines Dialogs | |
| WO2021249941A1 (de) | Verfahren und vorrichtung zur automatischen untersuchung eines verhaltens einer technischen einrichtung | |
| EP0591259B1 (de) | Verfahren zur verarbeitung von unsicherheiten von eingangsdaten in neuronalen netzwerken | |
| DE68911719T2 (de) | Verfahren und Vorrichtung, die schlechte Leistung eines Rechnersystemes diagnostisiert. | |
| EP4200737B1 (de) | Verfahren zur datenmanipulationserkennung von numerischen datenwerten | |
| DE202022101927U1 (de) | Ein autorenstammunabhängiges Punktzahlberechnungssystem zur Messung der wissenschaftlichen Unabhängigkeit | |
| EP4506867A1 (de) | Verfahren und vorrichtung zum computerimplementierten verarbeiten einer quantenschaltung auf einer quantenverarbeitungseinheit | |
| DE102023208154A1 (de) | Computerimplementiertes Verfahren zum Trainieren eines neuronalen Netzwerks mittels MTL |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AK | Designated states |
Kind code of ref document: A2 Designated state(s): AU CA JP MX NO RU US |
|
| AL | Designated countries for regional patents |
Kind code of ref document: A2 Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE |
|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application | ||
| DFPE | Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101) | ||
| AK | Designated states |
Kind code of ref document: A3 Designated state(s): AU CA JP MX NO RU US |
|
| AL | Designated countries for regional patents |
Kind code of ref document: A3 Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE |
|
| 122 | Ep: pct application non-entry in european phase | ||
| NENP | Non-entry into the national phase |
Ref country code: JP |