Improving Deep Learning Models by Bayesian Optimization to Predict Crude Oil Prices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We implement, optimize, and compare the performance of deep learning models in forecasting prices of crude oil markets, namely West Texas Intermediate (WTI) and Brent. We focus on deep learning models as these are state-of-the-art forecasting systems for complex and nonlinear time series. In this regard, we implement convolutional neural networks (CNNs), long short-term memory (LSTM), and gated recurrent units (GRUs). Classical recurrent neural networks (RNNs) are chosen as the baseline artificial neural networks. We contribute to the literature by examining the effect of fine-tuning of the parameters of the predictive systems by means of Bayesian optimization (BO) on their performance. Also, to check the robustness of the optimized models, they are trained and tested on daily, weekly, and monthly data. The assessment of forecasting performance is based on three different metrics including the root mean of squared errors (RMSE), mean absolute deviation (MAD), and mean absolute percentage error (MAPE). The simulation results show that the GRU-BO and RNN-BO are respectively the best systems to predict prices of BRENT and WTI. In addition, the simulation results show that BO enhances the accuracy of the predictive models. The results obtained would help oil producers, suppliers, traders, and investors to implement the appropriate prediction system for each market to improve accuracy and generate profits for each time horizon.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle