用于自回归外生模型的多变量 LSTM 神经网络
机器学习
2018-06-19 v1 机器学习
摘要
本文提出一种多变量 LSTM，能够对带有外生变量的时间序列进行准确预测并解释变量重要性。当前循环神经网络中的注意力机制多聚焦于数据的时间维度，难以刻画变量重要性。为此，我们开发了具有张量化隐藏状态的多变量 LSTM，以学习各独立变量的隐藏状态，由此产生我们的时间与变量混合注意力。基于该注意力机制，我们推断并量化变量重要性。使用带有格兰杰因果检验的真实数据集以及带有真值的合成数据集的大量实验表明，与多种基线相比，多变量 LSTM 具有预测性能与可解释性。它展示了多变量 LSTM 作为兼具预测与知识发现能力的端到端框架的前景。
引用
@article{arxiv.1806.06384,
title = {Multi-variable LSTM neural network for autoregressive exogenous model},
author = {Tian Guo and Tao Lin},
journal= {arXiv preprint arXiv:1806.06384},
year = {2018}
}