深度学习模型在时间序列预测上的比较：以溶解氧预测为例
信号处理
2019-11-22 v2 机器学习
应用统计
机器学习
摘要
深度学习近期在序列学习领域取得了令人瞩目的预测性能。溶解氧预测作为一种时间序列预测，适用于该技术。尽管许多研究者已基于深度学习技术开发了混合模型或变体模型，但目前该领域内深度学习模型间尚无全面而合理的比较。此外，以往多数研究聚焦于使用小数据集的一步预测。随着高频数据的便捷获取，本文采用 walk-forward 验证比较多步深度学习预测。具体而言，我们基于 2012 至 2016 年长江固定观测点自动记录的真实数据，测试卷积神经网络（CNN）、时间卷积网络（TCN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、双向循环神经网络（BiRNN）。通过比较各时间步上均方根误差（RMSE）、平均绝对误差（MAE）与决定系数的平均累积统计指标，我们发现对于多步时间序列预测，各时间步的平均性能并非线性下降。GRU 以显著优势优于其他模型。
引用
@article{arxiv.1911.08414,
title = {Comparison of Deep learning models on time series forecasting : a case study of Dissolved Oxygen Prediction},
author = {Hongqian Qin},
journal= {arXiv preprint arXiv:1911.08414},
year = {2019}
}