使用多种深度学习模型的时间序列预测
机器学习
2022-04-26 v1
摘要
时间序列预测（TSF）用于基于先前时间点的学习来预测未来时间点的目标变量。为使问题易于处理，学习方法使用过去固定长度窗口的数据作为显式输入。在本文中，我们研究了预测模型的性能如何随不同的回看窗口大小和不同的未来预测时长而变化。我们还考虑了近期基于注意力机制的 Transformer 模型的性能，该模型在图像处理和自然语言处理领域取得了良好成功。总之，我们比较了四种不同的深度学习方法（RNN、LSTM、GRU 和 Transformer）以及一种基线方法。我们使用的数据集（ hourly）来自 UCI 网站的北京空气质量数据集，包含为期 5 年（2010–14）按小时测量的多变量时间序列。对于每个模型，我们还报告了性能与回看窗口大小以及未来预测时间点数之间的关系。我们的实验表明，对于我们大多数单步和多步预测，Transformer 模型具有最佳性能，其平均绝对误差（MAE = 14.599, 23.273）和均方根误差（RSME = 23.573, 38.131）最低。预测未来 1 小时的最佳回看窗口大小似乎是一天，而预测未来 3 小时则以 2 天或 4 天表现最佳。
引用
@article{arxiv.2204.11115,
title = {Time Series Forecasting (TSF) Using Various Deep Learning Models},
author = {Jimeng Shi and Mahek Jain and Giri Narasimhan},
journal= {arXiv preprint arXiv:2204.11115},
year = {2022}
}
备注
9 pages