循环神经网络用于多季节性时间序列预测的比较研究
机器学习
2022-03-18 v1
摘要
本文比较了具有不同类型门控单元的循环神经网络（RNNs）用于多季节性时间序列的预测。我们比较的单元包括经典长短期记忆（LSTM）、门控循环单元（GRU）、带膨胀改进的 LSTM，以及我们最近提出的两种新单元，它们配备了膨胀和注意力机制。为建模不同尺度的时间依赖关系，我们的 RNN 架构具有多个以分层膨胀堆叠的膨胀循环层。所提出的 RNN 产生点预测和预测区间（PIs）。一项关于 35 个欧洲国家短期电力负荷预测的经验研究证实，带膨胀和注意力的新门控单元表现最佳。
引用
@article{arxiv.2203.09170,
title = {Recurrent Neural Networks for Forecasting Time Series with Multiple Seasonality: A Comparative Study},
author = {Grzegorz Dudek and Slawek Smyl and Paweł Pełka},
journal= {arXiv preprint arXiv:2203.09170},
year = {2022}
}