ForecastNet：一种用于多步超前时间序列预测的时间变深度前馈神经网络架构
机器学习
2020-11-30 v2 机器学习
摘要
循环神经网络和卷积神经网络是深度学习文献中用于时间序列预测最常见的架构。这些网络通过在时间或空间上重复一组具有固定参数的固定架构来实现参数共享。其结果是整体架构是时间不变的（在空间域中为平移不变的）或平稳的。我们认为，时间不变性会降低执行多步超前预测的能力，因为该任务需要在多种尺度和分辨率下对动态进行建模。我们提出了 ForecastNet，它使用深度前馈架构来提供时间变模型。ForecastNet 的另一个新颖之处是交错输出，我们证明它有助于缓解梯度消失。在多个数据集上，ForecastNet 被证明优于统计和深度学习基准模型。
引用
@article{arxiv.2002.04155,
title = {ForecastNet: A Time-Variant Deep Feed-Forward Neural Network Architecture for Multi-Step-Ahead Time-Series Forecasting},
author = {Joel Janek Dabrowski and YiFan Zhang and Ashfaqur Rahman},
journal= {arXiv preprint arXiv:2002.04155},
year = {2020}
}