使用深度神经网络的相关时间序列预测：结果综述
机器学习
2018-09-03 v2 机器学习
摘要
信息物理系统通常由随时间相互交互的实体组成。同时，作为工业流程持续数字化的部分，各类传感器技术被部署，使我们能够记录此类实体的时变属性（即时间序列），从而产生相关时间序列。为实现对此类相关时间序列的准确预测，本文提出两种结合卷积神经网络（CNNs）与循环神经网络（RNNs）的模型。第一种模型在每个单独时间序列上采用 CNN，组合卷积特征，最后在卷积特征之上应用 RNN 以实现预测。第二种模型在个别 CNN 中额外加入自编码器，使第二模型成为多任务学习模型，提供准确且鲁棒的预测。在两个真实世界相关时间序列数据集上的实验表明，所提两种模型有效且在多数设定下优于基线。本报告扩展了将发表于 ACM CIKM 2018 的论文“Correlated Time Series Forecasting using Multi-Task Deep Neural Networks”，提供了额外的实验结果。
引用
@article{arxiv.1808.09794,
title = {Correlated Time Series Forecasting using Deep Neural Networks: A Summary of Results},
author = {Razvan-Gabriel Cirstea and Darius-Valer Micu and Gabriel-Marcel Muresan and Chenjuan Guo and Bin Yang},
journal= {arXiv preprint arXiv:1808.09794},
year = {2018}
}