重塑循环神经网络用于时间序列预测:具预测导向Proximal Policy Optimization的强化循环编码器
机器学习
2026-01-14 v2 神经与进化计算
摘要
时间序列预测在当代工程信息系统中发挥着关键作用,用于支持各行业的决策,其中循环神经网络(RNN)因其建模序列数据的能力而被广泛采用。传统的RNN基预测器采用仅包含编码器的策略,以滑动历史窗口作为输入来预测未来值。然而,该方法将所有时间步和隐藏状态视为等重要,而未考虑其对预测的不同贡献,导致性能次优。为解决这一局限性,我们提出了一种新型具预测导向Proximal Policy Optimization的强化循环编码器,RRE-PPO4Pred,显著提高了时间序列建模能力和预测准确度。本方法的核心创新包括:(1)一种新型强化循环编码器(RRE)框架,将RNN的内部适应性建模为马尔可夫决策过程,创建统一的决策环境以学习输入特征选择、隐藏跳过连接和输出目标选择; (2)一种改进的预测导向Proximal Policy Optimization算法,称为PPO4Pred,配备基于Transformer的代理进行时序推理,并开发动态转换抽样策略以提高抽样效率; (3)一种协进化优化范式,促进RNN预测器与策略代理的学习,提供自适应和交互式的时间序列建模。在五个真实世界数据集上的全面评估表明,本方法 consistently 优于现有基准,并在准确率上超过最先进的Transformer模型,为工程信息系统中的高级时间序列预测器。
引用
@article{arxiv.2601.03683,
title = {Rethinking Recurrent Neural Networks for Time Series Forecasting: A Reinforced Recurrent Encoder with Prediction-Oriented Proximal Policy Optimization},
author = {Xin Lai and Shiming Deng and Lu Yu and Yumin Lai and Shenghao Qiao and Xinze Zhang},
journal= {arXiv preprint arXiv:2601.03683},
year = {2026}
}