مرضیه یراقی - دانشجوی کارشناسی ارشد، گروه کامپیوتر- دانشگاه آزاد اسالمی واحد دولتآباد- اصفهان- ایران
اعظم ربیعی - استادیار، گروه کامپیوتر- دانشگاه آزاد اسلامی واحد دولتآباد- اصفهان- ایران

این مقاله به مرور و مقایسه دو شبکه عصبی بازگشتی LSTM و GRU در مدل سازی داده های سری زمانی نرخ ارز می پردازد. این دو الگوریتم، ساختار خاصی از شبکه های عصبی بازگشتی عمیق هستند که به علت داشتن سلول حافظه و دروازه های کنترلی، توانایی کنترل جریان اطلاعات و تعیین زمان بهینه برای به خاطر سپردن و فراموش کردن دارند. در این گزارش پیش بینی نرخ دلار آمریکا به ریال ایران با استفاده از شبکه عصبی بازگشتی ارزیابی شد. دادگان مورد آزمایش، نرخ برابری دلار آمریکا به ریال با ۸۶۸۷ رکورد از ابتدای سال ۱۳۷۱ تا اخر سال ۱۳۹۶ است. داده های خام نرخ ارز، بین صفر ویک نرمال سازی می شوند و با معیارهای اندازه گیری دقت پیش بینی نتایج شبکه عصبی بازگشتی LSTM با شبکه عصبی بازگشتی GRU در کنار یکدیگر مقایسه شدند. هدف اصلی مقایسه عملکرد دو شبکه عصبی بازگشتی LSTM و GRU در پیش بینی نرخ ارز می باشد. در آزمایشات مربوط به شبکه GRU، در مقایسه با LSTM، جذر میانگین مربعات خطا برای پیش بینی تغییرات نرخ ارز ۲۰ درصد کاهش یافت.

شبکه عصبی بازگشتی, پیشبینی, داده های سری زمانی, نرخ ارز, یادگیری عمیق