Estrategias Basadas en Datos para Pronósticos de Sistemas Complejos: El Papel de los Grandes Datos Textuales y los Transformadores de Espacio de Estados en el Soporte a la Decisión
Autores: Huo, Huairong; Guo, Wanxin; Yang, Ruining; Liu, Xuran; Xue, Jingyi; Peng, Qingmiao; Deng, Yiwei; Sun, Xinyi; Lv, Chunli
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Estrategias Basadas en Datos para Pronósticos de Sistemas Complejos: El Papel de los Grandes Datos Textuales y los Transformadores de Espacio de Estados en el Soporte a la Decisión
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Modelo de transformador
Teoría del espacio de estados
Tareas de predicción
Validaciones experimentales
Mejoras en el rendimiento
Modelos de aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
En esta investigación, se propone un modelo innovador de Transformer basado en el espacio de estados para abordar los desafíos de las tareas de predicción de sistemas complejos. Al integrar la teoría del espacio de estados, el modelo tiene como objetivo mejorar la capacidad de capturar cambios dinámicos en datos complejos, mejorando así la precisión y robustez de las tareas de predicción. Se llevaron a cabo extensas validaciones experimentales en tres tareas representativas, incluyendo el juicio de casos legales, la traducción de casos legales y el análisis de datos financieros para evaluar el rendimiento y el potencial de aplicación del modelo. Los resultados experimentales demuestran mejoras significativas en el rendimiento del modelo propuesto en comparación con los modelos de Transformer tradicionales y otras variantes avanzadas como Bidirectional Encoder Representation from Transformers (BERT) y Finsformer en todas las tareas evaluadas. Específicamente, en la tarea de juicio de casos legales, el modelo propuesto mostró una precisión de 0.93, un recall de 0.90 y una exactitud de 0.91, superando significativamente al modelo de Transformer tradicional (con precisión de 0.78, recall de 0.73, exactitud de 0.76) y los rendimientos de otros modelos comparativos. En la tarea de traducción de casos legales, la precisión del modelo propuesto alcanzó 0.95, con un recall de 0.91 y una exactitud de 0.93, también superando a otros modelos. Asimismo, en la tarea de análisis de datos financieros, el modelo propuesto también demostró un excelente rendimiento, con una precisión de 0.94, un recall de 0.90 y una exactitud de 0.92. El modelo de Transformer basado en el espacio de estados propuesto no solo expande teóricamente los límites de investigación de los modelos de aprendizaje profundo en la predicción de sistemas complejos, sino que también valida su eficiencia y amplias perspectivas de aplicación a través de experimentos. Estos logros proporcionan nuevas ideas y direcciones para la investigación y el desarrollo futuros de modelos de aprendizaje profundo, especialmente en tareas que requieren la comprensión y predicción de la dinámica de sistemas complejos.
Descripción
En esta investigación, se propone un modelo innovador de Transformer basado en el espacio de estados para abordar los desafíos de las tareas de predicción de sistemas complejos. Al integrar la teoría del espacio de estados, el modelo tiene como objetivo mejorar la capacidad de capturar cambios dinámicos en datos complejos, mejorando así la precisión y robustez de las tareas de predicción. Se llevaron a cabo extensas validaciones experimentales en tres tareas representativas, incluyendo el juicio de casos legales, la traducción de casos legales y el análisis de datos financieros para evaluar el rendimiento y el potencial de aplicación del modelo. Los resultados experimentales demuestran mejoras significativas en el rendimiento del modelo propuesto en comparación con los modelos de Transformer tradicionales y otras variantes avanzadas como Bidirectional Encoder Representation from Transformers (BERT) y Finsformer en todas las tareas evaluadas. Específicamente, en la tarea de juicio de casos legales, el modelo propuesto mostró una precisión de 0.93, un recall de 0.90 y una exactitud de 0.91, superando significativamente al modelo de Transformer tradicional (con precisión de 0.78, recall de 0.73, exactitud de 0.76) y los rendimientos de otros modelos comparativos. En la tarea de traducción de casos legales, la precisión del modelo propuesto alcanzó 0.95, con un recall de 0.91 y una exactitud de 0.93, también superando a otros modelos. Asimismo, en la tarea de análisis de datos financieros, el modelo propuesto también demostró un excelente rendimiento, con una precisión de 0.94, un recall de 0.90 y una exactitud de 0.92. El modelo de Transformer basado en el espacio de estados propuesto no solo expande teóricamente los límites de investigación de los modelos de aprendizaje profundo en la predicción de sistemas complejos, sino que también valida su eficiencia y amplias perspectivas de aplicación a través de experimentos. Estos logros proporcionan nuevas ideas y direcciones para la investigación y el desarrollo futuros de modelos de aprendizaje profundo, especialmente en tareas que requieren la comprensión y predicción de la dinámica de sistemas complejos.