skip to main content
Invitado
Mi portal
Mi Cuenta
Cerrar sesión
Identificarse
This feature requires javascript
Tags
Periódicos Eletrónicos
Libros Eletrónicos
Bases de Datos
Bibliotecas de USP
Ayuda
Ayuda
Idioma:
Inglés
Castellano
Portugués (Brasil)
This feature required javascript
Search in:
Seleccione el índice para buscar
Search For:
Clear Search Box
Search in:
Por título
Por materia
Por autor
Browse vid input
Búsqueda Sencilla
This feature requires javascript
Spectral temporal graph neural network for multivariate agricultural price forecasting
Özden, Cevher ; Bulut, Mutlu
Ciência rural, 2024-01, Vol.54 (1)
[Revista revisada por pares]
Universidade Federal de Santa Maria
Texto completo disponible
Citas
Citado por
Recurso en línea
Detalles
Comentarios y Etiquetas
Servicios adicionales
Veces citado
This feature requires javascript
Acciones
Agregar a Mi Portal
Eliminar de Mi Portal
Correo Electrónico
Imprimir
Enlae permanente
Cita bibliográfica
EasyBib
EndNote
RefWorks
Delicious
Exportación RIS
Exportar BibTeX
This feature requires javascript
Título:
Spectral temporal graph neural network for multivariate agricultural price forecasting
Autor:
Özden, Cevher
;
Bulut, Mutlu
Materias:
AGRONOMY
;
CNN
;
forecasts
;
LSTM
;
Temporal GNN
;
time series
Es parte de:
Ciência rural, 2024-01, Vol.54 (1)
Descripción:
Multivariate time series forecasting has an important role in many real-world domains. Especially, price prediction has always been on the focus of researchers. Yet, it is a challenging task that requires the capturing of intra-series and inter-series correlations. Most of the models in literature focus only on the correlation in temporal domain. In this paper, we have curated a new dataset from the official website of Turkish Ministry of Commerce. The dataset consists of daily prices and trade volume of vegetables and covers 1791 days between January 1, 2018 and November 26, 2022. A Spectral Temporal Graph Neural Network (StemGNN) is employed on the curated dataset and the results are given in comparison to Convolutional neural networks (CNN), Long short-term memory (LSTM) and Random Forest models. GNN architecture achieved a state-of-the-art result such as mean absolute error (MAE): 1,37 and root mean squared error (RMSE): 1.94). To our knowledge, this is one of the few studies that investigates GNN for time series analysis and the first study in architecture field. RESUMO: A previsão multivariada de séries temporais tem um papel importante em muitos domínios do mundo real. Especialmente, a previsão de preços sempre esteve no foco dos pesquisadores. No entanto, é uma tarefa desafiadora que requer a captura de correlações intra-séries e inter-séries. A maioria dos modelos na literatura foca apenas a correlação no domínio temporal. Neste artigo, selecionamos um novo conjunto de dados do site oficial do Ministério do Comércio Turco. O conjunto de dados consiste em preços diários e volume comercial de vegetais e abrange 1.791 dias entre 1º de janeiro de 2018 e 26 de novembro de 2022. Uma Rede Neural de Gráfico Temporal Espectral é empregada no conjunto de dados curado e os resultados são fornecidos em comparação com CNN, LSTM e Modelos de Floresta Aleatória. A arquitetura GNN alcançou um resultado de ponta (MAE: 1,37, RMSE: 1,94). Até onde sabemos, este é um dos poucos estudos que investiga GNN para análise de séries temporais e o primeiro estudo na área de arquitetura.
Editor:
Universidade Federal de Santa Maria
Idioma:
Inglés;Portugués
This feature requires javascript
This feature requires javascript
Volver a la lista de resultados
Anterior
Resultado
2
Siguiente
This feature requires javascript
This feature requires javascript
Buscando en bases de datos remotas, por favor espere
Buscando por
en
scope:(USP_VIDEOS),scope:("PRIMO"),scope:(USP_FISICO),scope:(USP_EREVISTAS),scope:(USP),scope:(USP_EBOOKS),scope:(USP_PRODUCAO),primo_central_multiple_fe
Mostrar lo que tiene hasta ahora
This feature requires javascript
This feature requires javascript