用于单变量时间序列分类的深度门控循环与卷积网络混合模型
机器学习
2019-10-02 v3 机器学习
摘要
用于时间序列分类的混合 LSTM-全卷积网络（LSTM-FCN）已在单变量时间序列上产生最先进的分类结果。我们表明，用门控循环单元（GRU）替代 LSTM 以构建 GRU-全卷积网络混合模型（GRU-FCN）可在许多时间序列数据集上提供更好的性能。所提出的 GRU-FCN 模型在许多单变量和多变量时间序列数据集上优于最先进的分类性能。此外，由于 GRU 比 LSTM 使用更简单的架构，与基于 LSTM 的模型相比，其训练参数更少、训练时间更短且硬件实现更简单。
引用
@article{arxiv.1812.07683,
title = {Deep Gated Recurrent and Convolutional Network Hybrid Model for Univariate Time Series Classification},
author = {Nelly Elsayed and Anthony S. Maida and Magdy Bayoumi},
journal= {arXiv preprint arXiv:1812.07683},
year = {2019}
}
备注
The paper modified and has several new results