R2N2：用于多元时间序列预测的残差循环神经网络
机器学习
2017-09-12 v1 机器学习
摘要
多元时间序列建模与预测是一个具有重要应用的问题。传统方法如VAR（向量自回归）模型以及较新方法如RNN（循环神经网络）是时间序列数据建模中不可或缺的工具。在许多多元时间序列建模问题中，通常存在显著的线性依赖分量（适合用VAR）和非线性分量（适合用RNN）。仅用VAR或仅用RNN建模此类时间序列可能导致预测性能差或模型复杂且训练时间长。本工作中，我们提出一种称为R2N2（残差RNN）的混合模型，它首先用简单线性模型（如VAR）对时间序列建模，然后利用RNN对其残差误差建模。R2N2可使用现有的VAR和RNN算法训练。通过在两个真实世界数据集（航空与气候领域）上的广泛实证评估，我们表明R2N2具有竞争力，通常优于单独使用的VAR或RNN。我们还表明，与RNN相比，R2N2训练更快，同时所需隐藏单元更少。
引用
@article{arxiv.1709.03159,
title = {R2N2: Residual Recurrent Neural Networks for Multivariate Time Series Forecasting},
author = {Hardik Goel and Igor Melnyk and Arindam Banerjee},
journal= {arXiv preprint arXiv:1709.03159},
year = {2017}
}