基于概率增强LSTM神经网络的极端自适应时间序列预测模型
机器学习
2023-12-15 v1 人工智能
摘要
预测含有极端事件的时间序列一直是一个具有挑战性且普遍的研究课题，尤其是当时间序列数据受到复杂不确定因素影响时，水文预测便是如此。多种传统和深度学习模型已被应用于发现这类数据中的非线性关系并识别复杂模式。然而，现有方法通常忽略不平衡数据或严重事件对模型训练的负面影响。此外，方法通常仅在少量总体表现良好的时间序列上评估，这无法体现其泛化能力。为解决这些问题，我们提出了一种新颖的概率增强神经网络模型，称为NEC+，它同时学习极端与正常预测函数以及通过选择性反向传播在二者间进行选择的方法。我们在应用于加州9个水库的困难的三日提前逐小时水位预测任务上评估所提模型。实验结果表明，所提模型显著优于最先进的基线，并在具有不同分布的数据上展现出优越的泛化能力。
引用
@article{arxiv.2211.15891,
title = {An Extreme-Adaptive Time Series Prediction Model Based on Probability-Enhanced LSTM Neural Networks},
author = {Yanhong Li and Jack Xu and David C. Anastasiu},
journal= {arXiv preprint arXiv:2211.15891},
year = {2023}
}
备注
Data and code available at https://github.com/davidanastasiu/NECPlus. Paper accepted to AAAI 2023