文献

J-GLOBAL ID：202102249200489786   整理番号：21A0152164

構造化および非構造化データセットのマージングによる時系列傾向の予測【JST・京大機械翻訳】

Forecasting Time-Series Trends by Merging Structured and Unstructured Datasets

著者 (6件)： Sang Park Ji (ETRI,Intelligent Robot Research Section,Daejeon,Republic of Korea) ,  Sung Cho Hyeon (ETRI,Intelligent Robot Research Section,Daejeon,Republic of Korea) ,  Sung Lee Ji (ETRI,Intelligent Robot Research Section,Daejeon,Republic of Korea) ,  Chung Kyo-Il (ETRI,Intelligent Robot Research Section,Daejeon,Republic of Korea) ,  Min Kim Jeong (Thinkpool Inc.,Seoul,Republic of Korea) ,  Jin Kim Dong (Thinkpool Inc.,Seoul,Republic of Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICTC  ページ： 1230-1233  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,構造化および非構造化データセットを併合することにより,毎日のストック傾向を予測する新しい手法を紹介した。本研究は,株価の正確な予測のために補足データセットを用いることの有効性を明らかにすることを意図した。日常の株価変動と一見高く相関する一連の特徴を,ランダム森林最適化技術を用いて選択した。ニュース記事から抽出したストック関連キーワードを,時間周波数に関して時系列データセットに変換した。畳込みニューラルネットワーク(CNN)ベースの深層学習モデルを,ニュース記事からのストック取引データとキーワード頻度のために別々に作り出して,2つのCNNモデルを訓練入力データセットのために一緒に併合した。分析結果は,2つの異なるデータセットの併合が,株式取引データセットだけを使用するより良い予測結果を作り出すかもしれないことを示した。今後の分析と実装の付加的課題を論じた。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： キーワード ,  *マージング ,  最適化手法 ,  在庫量 ,  有効性
準シソーラス用語： 時系列データ ,  株価 ,  ランダムフォレスト ,  ニュース記事 ,  *非構造化データ ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 非構造化データ ,  マージング ,  時系列 ,  傾向 ,  予測