基于多目标进化集成学习的 LSTM 网络嵌入式特征选择用于时间序列预测
机器学习
2024-01-01 v1 神经与进化计算
摘要
时间序列预测在众多领域发挥着至关重要的作用，亟需开发能够有效处理复杂时间模式的鲁棒模型。在本文中，我们提出了一种嵌入长短期记忆（LSTM）网络的新型特征选择方法，该方法利用多目标进化算法。我们的方法以分区方式优化 LSTM 的权重和偏置，进化算法的每个目标函数针对特定数据分区的均方根误差。算法识别出的一组非支配预测模型随后被用于通过基于堆叠的集成学习构建元模型。此外，我们提出的方法提供了一条确定属性重要性的途径，因为每个属性在非支配预测模型集中的选择频率反映了其显著性。这种属性重要性洞察为预测过程增加了可解释的维度。在意大利和西班牙东南部的空气质量时间序列数据上的实验评估表明，我们的方法显著提高了传统 LSTM 的泛化能力，有效减少了过拟合。与最先进的 CancelOut 和 EAR-FS 方法的对比分析突显了我们方法的优越性能。
引用
@article{arxiv.2312.17517,
title = {Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting},
author = {Raquel Espinosa and Fernando Jiménez and José Palma},
journal= {arXiv preprint arXiv:2312.17517},
year = {2024}
}