深度学习在多变量多步时间序列预测中的应用

Chuanyun Zang

深度学习在多变量多步时间序列预测中的应用

机器学习 2017-10-13 v1 机器学习

作者: Chuanyun Zang

摘要

本项目旨在研究将深度学习，特别是长短期记忆网络（LSTM）与基础统计学相结合，应用于多变量多步时间序列预测。LSTM 能够深入所有页面并在大范围内学习变化的一般趋势，而为每个页面精心选取的中位数可以保留不同页面的特定季节性，从而使未来趋势不会与现实产生过大偏差。近期一项关于 145K 网络流量时间序列预测的 Kaggle 竞赛 [1] 被用来充分说明并测试这一想法。

关键词

深度学习 LSTM 时间序列预测多步预测网络流量预测

引用

@article{arxiv.1710.04373,
  title  = {Deep Learning in Multiple Multistep Time Series Prediction},
  author = {Chuanyun Zang},
  journal= {arXiv preprint arXiv:1710.04373},
  year   = {2017}
}

相关论文

查看更多相关论文 →