深度学习在时间序列预测方面取得了显著优势,然而在大流行预测领域仍存在挑战,如训练数据不足和模型的可解释性。此文献综述了几种先进的建模技术,并提供了进一步研究的建议。
Jan, 2024
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
本研究是一篇对深度学习预测方法的综述性文章,包括了预测方法在时间序列预测、工业预测及建立模型等方面的应用,以及该方法的优点和研究方向。
Apr, 2020
本文综述了近年来 2020 至 2022 年关于利用深度学习模型基于金融时序数据预测价格的研究,包括不同数据源和神经网络结构的实现细节,旨在让研究人员了解该领域最新进展,方便选择先前研究中使用的模型基线,并提供未来研究建议。
Apr, 2023
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
本文介绍了一种新的基于循环神经网络的结构,能够智能地捕捉时间序列的季节性相关性,实现准确的多步预测,并在单个或多个序列数据上使用。在多序列情况下,我们还提出了一种新的贪婪递归过程,以在每个序列数据不足的情况下构建一个或多个预测模型。通过大量实验证明了我们提出的结构在单个序列和多个序列情况下的实用性。
Jul, 2022
本文综述了深度学习在时间序列分析和预测领域的主要技术,这些新技术实现了针对时间序列的无监督特征学习,并且取得了不错的应用效果。
Jan, 2017
本文介绍了 Transformer 在时间序列预测方面的应用,探讨了其局限性,并提出了一系列更好的性能和更少复杂度的其他模型。
本文为对财务领域中利用深度学习模型进行时间序列预测的文献进行了全面的回顾,将研究分为根据预测实现区域(如指数、外汇、商品预测),以及基于不同 DL 模型选择(如 CNNs,DBNs,LSTM),同时探讨了该领域未来的发展机会和挑战。
Nov, 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