基于双向 LSTM 嵌入去噪自编码器 Transformer 的时间序列预测
机器学习
2025-09-23 v1 人工智能
摘要
时间序列数据是 various fields 中常见的数据形式，由一系列随时间变化的测量值组成。预测作为时间序列模型的关键应用，基于历史数据预测未来值。准确的预测对于跨行业做出明智决策至关重要。在电动汽车 (EV) 领域，精确预测在规划基础设施建设、负荷平衡和能源管理方面发挥关键作用。本研究引入了 BI-LSTM 嵌入去噪自编码器模型 (BDM)，旨在解决时间序列问题，聚焦于短期 EV 充电负荷预测。通过与 Transformer、CNN、RNN、LSTM 和 GRU 等基准模型进行比较，评估了所提出模型的性能。研究结果表明，所提出模型在四个五个时间步中均优于基准模型，显示出其在时间序列预测中的有效性。这一研究对增强时间序列预测、改进决策过程具有重要贡献。
引用
@article{arxiv.2509.17165,
title = {Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer},
author = {Sahar Koohfar and Wubeshet Woldemariam},
journal= {arXiv preprint arXiv:2509.17165},
year = {2025}
}