Aug, 2018

使用深度神经网络进行相关时间序列预测：结果概述

PDF
TL;DR本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。
发现论文，激发创造
  • 可解释并行 RCNN 以及新颖的特征表示在时序预测中的应用

    本研究提出了一种新的特征表示策略 - shifting，利用并列的 RNN 和 CNN 框架进行分层，并采用跳过连接技术来提高模型性能，以解决时间序列预测中存在的历史和未来数据分离的限制，同时使用 Grad-CAM 算法提高模型的可解释性。

    May, 2023

  • 时间序列预测的循环神经网络

    本文介绍了一种基于递归神经网络的时间序列预测框架，包括特征工程、特征重要性、点和区间预测以及预测评估，并使用 LSTM 和 GRU 网络进行了实证研究。

    Jan, 2019

  • 基于时序卷积神经网络的概率预测

    本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。

    Jun, 2019

  • 基于卷积神经网络的条件时间序列预测

    本文提出了一种基于改进的深度卷积 WaveNet 框架的条件时间序列预测方法，该方法通过多个卷积滤波器并行应用于各个时间序列来完成条件操作，从而加速数据处理和利用多元时间序列之间的相关性，可以有效地学习和预测金融时间序列，且性能优于常用的自回归模型和长短期记忆网络。

    Mar, 2017

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 使用 CNN 和 Transformer 进行金融时间序列预测

    本文提出了通过使用卷积神经网络和 Transformers 来捕捉时间序列中的短期和长期依赖，并用于预测股票价格变化，与传统的统计和深度学习方法相比，实验结果表明该方法取得了成功。

    Apr, 2023

  • 融合近期和远期视野，实现更好的预测

    通过融合跨时间未来视图来改善多元时间序列预测的准确性，使用了多级表达法神经网络和卷积神经网络提取多层抽象表示。在三个实际数据集上的实验证明，与现有技术基准方法相比，我们的方法在 RMSE 度量上平均降低 4.59％，MAE 度量上平均降低 6.87％。

    Dec, 2019

  • 基于记忆网络的多元时间序列预测解决方案

    提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

    Sep, 2018

  • 时间序列预测深度学习架构的实验综述

    本文研究旨在回顾深度学习在时间序列预测方面的应用，并比较其性能，结果表明长短时记忆网络（LSTM）和卷积神经网络（CNN）是最佳选择，其中 LSTM 获得最准确的预测结果，而 CNN 在不同参数配置下能够实现可比较的性能和更高的效率。

    Mar, 2021

  • 深度学习时间序列预测综述

    本文概述了深度学习建模在时序数据领域的应用，介绍了单步和多步预测中通用的编码器和解码器的设计，分析了每一种方法如何加入时间信息以提高预测结果。接下来，介绍了深度学习和统计模型的混合模型在时间序列预测中的最新进展，最后讨论了深度学习如何为决策支持提供便利。

    Apr, 2020