基于迁移学习的深度学习模型在月度时间序列多步预测中的表现
机器学习
2023-10-12 v2 人工智能
摘要
深度学习与迁移学习模型正被用于生成时间序列预测；然而，关于其预测性能的实证证据十分匮乏，这一现象在月度时间序列中更为明显。本文旨在比较带迁移学习与不带迁移学习的深度学习模型以及其他用于月度预测的传统方法，以回答关于深度学习与迁移学习用于生成时间序列预测适用性的三个问题。实验使用了 M4 和 M3 竞赛的时间序列。结果表明，基于 TCN、LSTM 和 CNN 并采用迁移学习的深度学习模型往往超越其他传统方法的预测性能。另一方面，直接在目标时间序列上训练的 TCN 和 LSTM，在某些预测步长上取得了与传统方法相似或更好的性能。
引用
@article{arxiv.2203.11196,
title = {Performance of Deep Learning models with transfer learning for multiple-step-ahead forecasts in monthly time series},
author = {Martín Solís and Luis-Alexander Calvo-Valverde},
journal= {arXiv preprint arXiv:2203.11196},
year = {2023}
}
备注
20 pages, 7 figures, 5 tables