利用期望偏置 LSTM 网络改进长时域预测
机器学习
2018-04-19 v1 机器学习
摘要
基于长短期记忆(LSTM)单元的循环神经网络(RNN)的当前最优预测方法在短视域预测上表现出卓越性能,例如给定一组预测特征,预测未来接下来几个时间步的目标值。然而,在许多应用中,这些方法的性能随着预测视域超出这几个时间步而衰减。本文旨在探讨使用 LSTM 网络进行长时域预测的挑战。此处,我们阐明了神经科学与能源供应管理数据集中长时域预测问题。然后我们提出期望偏置——一种受动态信念网络文献启发的方法——作为使用 LSTM 改进长时域预测的解决方案。我们提出了两种 LSTM 架构以及两种期望偏置方法,其显著优于标准做法。
引用
@article{arxiv.1804.06776,
title = {Improving Long-Horizon Forecasts with Expectation-Biased LSTM Networks},
author = {Aya Abdelsalam Ismail and Timothy Wood and Héctor Corrada Bravo},
journal= {arXiv preprint arXiv:1804.06776},
year = {2018}
}