时间序列预测深度学习架构的实验综述
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
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
本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题,提出了基于深度学习模型应用于电力负荷预测问题的最新趋势,并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。
Jul, 2019
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
本研究旨在比较不同的长短期记忆(LSTM)神经网络结构和专门用于外汇市场预测的 ANN 架构之间的性能和资源需求,包括模型的执行时间、内存和计算资源消耗。我们的目标是证明专门的架构在外汇市场预测方面不仅能够取得更好的结果,而且在资源消耗和执行时间方面相对于 LSTM 架构更为优越。这种比较分析将对这两种类型的架构在外汇市场环境中的时间序列预测的适用性提供重要的见解。
May, 2024
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
本研究比较了传统方法和新兴神经网络方法的时间序列预测性能,使用了各种度量标准来评估它们的性能,结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好,且其预测能力不会因训练数据量减少而降低。这表明,将深度学习方法纳入预测场景中显著优于传统方法,并可处理复杂的数据集,在天气预报和其他时间序列应用等各种领域具有潜在应用。
Jun, 2023
我们提出了一种新颖的层次神经架构搜索方法,用于时间序列预测任务,在长期时间序列预测任务中,我们的方法可以搜索跨不同预测任务的轻量高性能预测架构。
Jun, 2024
设计和实施的 LSTM 神经网络与基于技术分析指标模拟器的 ANN 自定义架构进行了比较分析,并得出了有关每个架构的适用性以及实施所需的时间和计算资源成本的有价值结论。ANN 自定义架构以更高的敏感度、更少的资源和更少的时间产生了更好的预测质量,适用于低功耗计算系统和需要快速决策的应用场景。
May, 2024
对三种用于时间序列预测的架构进行了测试,它们分别包含卷积层、LSTM 层和密集超复数层用于 4D 代数。通过优化与架构类别相关的超参数,比较了最佳神经网络在类别内的性能。结果显示,在大多数情况下,具有超复数密集层的架构与其他架构相比,提供了类似的 MAE 准确性,但可训练参数较少。由于这一特点,超复数神经网络可以比其他测试的架构更快地学习和处理数据。此外,输入时间序列的顺序对有效性产生影响。
Jan, 2024