本文通过详实的实证研究和开源软件框架介绍了现有基于循环神经网络的预测模型,提出了针对这些模型使用的最佳实践和指导方针。研究发现,当数据集的时间序列具有同质季节模式时,RNN 能够直接模拟季节性;否则,建议事先对数据进行季节性去趋势处理。通过与 ETS 和 ARIMA 模型的比较,研究表明,实现了(半)自动化的 RNN 模型在许多情况下是可以竞争使用的。
Sep, 2019
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。
Aug, 2018
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
TimeGNN 是一种学习动态时间图表示的方法,能够捕捉多个系列的相关性和交互模式的演变,并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。
Jul, 2023
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
本文对循环神经网络的基本原理、最新进展和研究挑战进行了说明,介绍了针对学习长期依赖问题的新进展,适合该领域的新手和专业人士。
Dec, 2017
本文提出了一种基于深度学习的时间序列预测方法,并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤,并进行可视化检查。实验结果表明,如果数据集中的时间序列重复出现固定模式,则可以使用单个时间序列来训练深度学习网络。然而,对于股票市场收盘价格等较少结构化的时间序列,网络表现与重复观察到的最后一个值的基准线类似。该方法的实现和实验是开源的。
Feb, 2023
本文对于近三十年来产生和实践了重要的循环神经网络(RNN),LSTM 和 BRNN 等模型的研究进行综述,旨在提供一个自成体系的最前沿阐述和历史视角,并引用了相关研究文献。
May, 2015
提出了一种名为 R2N2(残余 RNN)的混合模型,通过简单的线性模型(如 VAR)对时间序列进行建模,并使用 RNN 对其残余误差进行建模,在航空领域和气候领域中的实证评估表明,与单独使用 VAR 或 RNN 相比,R2N2 具有竞争力且更快速地训练,同时需要较少数量的隐藏单元。
Sep, 2017
该论文提出了一种用于时间序列预测的自上而下的金字塔式递归神经网络 TPRNN,通过构建不同尺度的子序列并执行多尺度信息交互模块,模拟了时间序列中多尺度时间模式的完整建模,实验证明 TPRNN 在七个真实世界数据集上取得了领先水平,相对最佳基准线平均提高了 8.13% 的 MSE 精度。
Dec, 2023