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

使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务，本文将回顾多种深度学习算法，包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型，以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性，结果表明，较低的平均绝对误差（MAE）值可以更准确地预测股价。

Feb, 2024

为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即 LSTM，DeepAR，NLinear，N-Hits，PatchTST，和 LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能，它们在效果上始终优于其原始版本。

Sep, 2023

本研究旨在比较不同深度学习模型在短期负荷预测方面的准确性，并针对葡萄牙的国家网联合短期负荷预测，进行多层感知器、N-BEATS、长短期记忆神经网络和时间卷积网络等一些具有代表性的自回归神经网络的评估，并进行后续分析以确定最合适的模型。结果表明，N-BEATS 模型始终优于其它深度学习模型，并且外部因素显著影响准确性，从而影响模型的实际和相对性能。

Feb, 2023

本文通过对现有的多步预测策略的理论和实践表现进行综合比较，揭示了多输出的策略、季节性消除以及输入变量选择对于提高多步预测准确性的重要性。

Aug, 2011

本篇论文研究了如何将基于 Exponential-Smoothing-Recurrent Neural Network (ES-RNN) 的模型和 ensemble learning 技术相结合，相比于其他基于统计或机器学习的 ensemble 方法，Feature-based Forecast Model Averaging (FFORMA) 对于 late data fusion 的情况表现最好，而另一种 ensemble 方法 Stacking 被证明能够很好地处理所有基本模型性能相似的情况。与 N-BEATS 作为基准相比，实验结果表明，该方法在预测效果上超越了 N-BEATS 作为基准的方法。研究表明模型平均是比模型选择和堆叠策略更稳健的集成方法。此外，实验结果显示梯度提升在实现 ensemble learning 策略时是优越的。

Mar, 2022

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

本文提出 N-HiTS 模型，该模型可以通过采用新颖的分层插值和多速率数据采样技术解决了长时间预测中的波动性和计算复杂性问题，并证明了分层插值技术可以在存在光滑性时有效地逼近任意长的时间预测，在大规模数据集实验中表现优于现有的 Transformer 架构，平均准确率提高了近 20％，同时降低了一个数量级的计算时间（50 倍）。

Jan, 2022

本研究比较了双向 LSTM 和单向 LSTM 在时间序列预测中的性能，结果表明双向 LSTM 的附加训练可提高预测准确性，相较于 ARIMA 甚至单向 LSTM，双向 LSTM 的预测效果更佳，但是收敛速度较慢。

Nov, 2019

本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

Feb, 2013