用于预测的季节性编码器-解码器架构
机器学习
2022-07-12 v1 人工智能
摘要
深度学习（DL）尤其是循环神经网络（RNNs）在基于序列的应用中取得了很高的成功率。本文涉及用于时间序列建模与预测的 RNNs。我们提出了一种新颖的 RNN 架构，其智能地捕捉（随机）季节性相关性，同时能够进行准确的多步预测。它受著名的编码器-解码器（ED）架构与乘法季节性自回归模型的启发。它即使在存在（或不存在）外生输入的情况下也纳入了多步（多目标）学习。它可用于单序列或多序列数据。对于多序列情形，我们还提出了一种新颖的贪心递归过程，以在每序列数据较少时跨序列构建（一个或多个）预测模型。我们通过大量实验展示了我们所提架构在单序列与多序列场景中的效用。
引用
@article{arxiv.2207.04113,
title = {Seasonal Encoder-Decoder Architecture for Forecasting},
author = {Avinash Achar and Soumen Pachal},
journal= {arXiv preprint arXiv:2207.04113},
year = {2022}
}