Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
IRIS
The presence of stochastic or deterministic trends in economic time series can be a major obstacle for producing satisfactory predictions with neural networks. In this paper, we demonstrate the effects of nonstationarity on neural network predictions using the time series of the mortgage loans purchased in the Netherlands. We present different preprocessing techniques for removing nonstationarity, and evaluate their properties by producing multi-step predictions using a linear stochastic forecasting model and a neural network. The results indicate that detecting nonstationarity and selecting an appropriate preprocessing technique is highly beneficial for improving the prediction quality.
PREPROCESSING SEASONAL TIME SERIES FOR IMPROVING NEURAL NETWORK PREDICTIONS
The presence of stochastic or deterministic trends in economic time series can be a major obstacle for producing satisfactory predictions with neural networks. In this paper, we demonstrate the effects of nonstationarity on neural network predictions using the time series of the mortgage loans purchased in the Netherlands. We present different preprocessing techniques for removing nonstationarity, and evaluate their properties by producing multi-step predictions using a linear stochastic forecasting model and a neural network. The results indicate that detecting nonstationarity and selecting an appropriate preprocessing technique is highly beneficial for improving the prediction quality.
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/11580/4620
Attenzione
Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo
Citazioni
ND
ND
social impact
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2021-2023 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.