释放LSTM在长期时间序列预测中的能力
机器学习
2025-02-25 v2
摘要
传统循环神经网络架构，如长短期记忆神经网络（LSTM），在时间序列预测（TSF）任务中历史上占有重要地位。虽然近期在自然语言处理（NLP）中引入的sLSTM具有指数门控和记忆混合机制，有利于长期序列学习，但其潜在的短时记忆问题阻碍了sLSTM直接应用于TSF。为解决这一问题，我们提出了一种简单而高效的算法P-sLSTM，它基于sLSTM，通过引入分块和通道独立性构建。这些修改显著增强了sLSTM在TSF中的性能，达到了最先进的结果。此外，我们为设计提供了理论依据，并进行了广泛的比较和分析实验，以充分验证我们模型的效率和优越性能。
引用
@article{arxiv.2408.10006,
title = {Unlocking the Power of LSTM for Long Term Time Series Forecasting},
author = {Yaxuan Kong and Zepu Wang and Yuqi Nie and Tian Zhou and Stefan Zohren and Yuxuan Liang and Peng Sun and Qingsong Wen},
journal= {arXiv preprint arXiv:2408.10006},
year = {2025}
}
备注
Accepted by 39th Annual AAAI Conference on Artificial Intelligence (AAAI 2025)