深度神经网络在具有多重结构突变和高波动性的时间序列预测中的性能评估
神经与进化计算
2021-08-18 v2 机器学习
机器学习
摘要
时间序列数据的自动准确预测一直是机器学习和预测领域一个有意义的挑战。大多数真实世界的时间序列问题具有非平稳特征，使得趋势和季节性的理解变得困难。本文中我们感兴趣的是研究流行的深度神经网络（DNN）作为非平稳时间序列预测（TSF）的函数逼近器的适用性。我们评估了以下 DNN 模型：多层感知机（MLP）、卷积神经网络（CNN），以及带长短期记忆的 RNN（LSTM-RNN）和带门控循环单元的 RNN（GRU-RNN）。这些 DNN 方法已在 10 个流行的印度金融股票数据上进行了评估。此外，这些 DNN 的性能评估在两种预测设定下进行了多次独立运行：(1) 单步预测，和 (2) 多步预测。这些 DNN 方法在单步预测（提前一天预测）中表现出令人信服的性能。对于多步预测（提前多天预测），我们针对不同预测周期评估了这些方法。这些方法的性能表明，较长的预测周期对性能有不利影响。
引用
@article{arxiv.1911.06704,
title = {Performance evaluation of deep neural networks for forecasting time-series with multiple structural breaks and high volatility},
author = {Rohit Kaushik and Shikhar Jain and Siddhant Jain and Tirtharaj Dash},
journal= {arXiv preprint arXiv:1911.06704},
year = {2021}
}
备注
Preprint (18 pages)