循环神经网络用于时间序列预测：现状与未来方向
机器学习
2020-12-24 v5 神经与进化计算
机器学习
摘要
循环神经网络（RNN）已成为具有竞争力的预测方法，正如近期 M4 竞赛的获胜方法所最显著展示的那样。然而，诸如 ETS 和 ARIMA 等成熟的统计模型之所以流行，不仅因为其高精度，还因为它们稳健、高效且自动化，适合非专业用户使用。在这些方面，RNN 仍有很长的路要走。我们针对现有用于预测的 RNN 架构开展了一项广泛的实证研究并提供了开源软件框架，使我们能够制定其使用指南与最佳实践。例如，我们得出结论：若数据集中的序列具有同质的季节模式，RNN 能够直接建模季节性，否则我们建议先进行去季节化步骤。与 ETS 和 ARIMA 的对比表明，所实现的（半）自动 RNN 模型并非万能药，但在许多情形下它们是具有竞争力的替代方案。
引用
@article{arxiv.1909.00590,
title = {Recurrent Neural Networks for Time Series Forecasting: Current Status and Future Directions},
author = {Hansika Hewamalage and Christoph Bergmeir and Kasun Bandara},
journal= {arXiv preprint arXiv:1909.00590},
year = {2020}
}