DSTP-RNN：用于多元时间序列长期预测

文章摘要:   多元时间序列的长期预测仍然是一个重要但具有挑战性的问题。解决这一问题的关键在于：（1）同一时刻空间相关性；（2）不同时间的时空关系；（3）不同序列之间时间关系的长期依赖性。基于Attention的递归神经网络（RNN）能够有效地表示和学习外部序列与目标序列之间的动态时空关系，但它们只能在一步时间预测和短期时间预测方面表现良好。本文受人的注意机制，包括双阶段两阶段模型（DSTP）和目标信息与非目标信息的影响机制，分别提出了基于DSTP的RNN（DSTP-RNN）和DSTP-RNN-Ⅱ，用于长期时间序列预测。具体来说，我们首先提出了基于DSTP的结构来增强外生序列之间的空间相关性。第一阶段产生剧烈但分散的反应权重，而第二阶段则产生稳定且集中的反应权重。然后，我们对目标序列进行多重关注，以增强长期依赖性。最后，我们研究了深空注意机制的表现并给出了解释。实验结果表明，本文的工作可以成功地应用于开发具有广泛应用前景的专家或智能系统，在能源、金融、环境和医学领域的四个数据集上的最新性能分别优于九种基线方法。总的来说，本文的工作不仅在机器智能和深度学习领域，而且在许多应用领域都具有重要的价值。

文章总结：

点击“阅读原文”，了解论文详情！