基于分层注意力的循环高速公路网络用于时间序列预测
机器学习
2018-06-05 v1 计算机视觉与模式识别
机器学习
摘要
时间序列预测已在多个领域中得到研究。然而，给定历史观测值与过去外生数据来预测未来序列仍然具有挑战性。现有方法要么未能考虑可能影响预测精度的外生变量不同分量之间的相互作用，要么无法建模外生数据与目标数据之间的相关性。此外，外生数据固有的时间动态也与目标序列预测相关，因此也应被考虑。为解决这些问题，我们提出了一种端到端深度学习模型，即基于分层注意力的循环高速公路网络（HRHN），它将外生变量的时空特征提取与目标变量的时间动态建模整合到单一框架中。此外，通过引入分层注意力机制，HRHN 能够在不同语义层次上自适应地选择相关的外生特征。我们在多个数据集上用多种方法进行了全面的实证评估，结果表明 HRHN 在时间序列预测中优于现有最优方法，尤其在捕捉时间序列的突变与突振方面。
引用
@article{arxiv.1806.00685,
title = {Hierarchical Attention-Based Recurrent Highway Networks for Time Series Prediction},
author = {Yunzhe Tao and Lin Ma and Weizhong Zhang and Jian Liu and Wei Liu and Qiang Du},
journal= {arXiv preprint arXiv:1806.00685},
year = {2018}
}