Tytuł pozycji:
Evaluating the forecasting capabilities of probabilistic and point-based LSTM models in sequence prediction
his paper compares the performance of probabilistic and non-probabilistic LSTM models in the task of univariate, real valued sequence forecasting. The performance of models is evaluated in terms of mean absolute error and root mean squared error for different forecasting horizons. The results show that probabilistic models can outperform non-probabilistic models in the task of forecasting.
W artykule porównano wydajność probabilistycznych i nieprobabilistycznych modeli LSTM w zadaniu prognozowania szeregów czasowych. Wydajność modeli jest oceniana pod względem średniego błędu bezwzględnego i błędu średniokwadratowego dla różnych horyzontów prognozy. Wyniki pokazują, że modele probabilistyczne mogą przewyższać modele nieprobabilistyczne w zadaniu prognozowania.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
