面向时间序列预测的 LSTM 和 GRU 网络的开源可复现实现
机器学习
2025-04-28 v1
摘要
本文介绍了一个面向时间序列预测的长短期记忆 (LSTM) 和门控循环单元 (GRU) 网络的开源且可复现的实现。我们评估了 LSTM 和 GRU 网络，因为它们在相关文献中报告的性能优异。我们描述了方法及其在两个数据集上的结果。第一个数据集是 S&P BSE BANKEX，由十个金融机构的股票时间序列 (收盘价) 组成。第二个数据集称为 Activities，包含十个人工合成的时间序列，类似于每周的活动，其中五天活动水平高，两天活动水平低。我们报告了实际值与预测值之间的均方根误差 (RMSE) 以及方向准确率 (DA)。我们表明，单个时间序列可用于充分训练网络，如果数据集中的序列包含即使在某些变动下也能重复出现的模式，并且经过适当处理。对于 1 步提前和 20 步提前预测，LSTM 和 GRU 网络在 Activities 数据集上显著优于基线方法。该基线仅重复最后可用的值。在股票市场数据集上，网络的表现仅与基线相当，可能是由于这些序列的本质所致。我们公开了所使用的 dataset 以及实现，包含所有实验，以便未来进行比较并使我们的研究具有可复现性。
引用
@article{arxiv.2504.18185,
title = {An Open-Source and Reproducible Implementation of LSTM and GRU Networks for Time Series Forecasting},
author = {Gissel Velarde and Pedro Branez and Alejandro Bueno and Rodrigo Heredia and Mateo Lopez-Ledezma},
journal= {arXiv preprint arXiv:2504.18185},
year = {2025}
}
备注
12 pages