作者
上市的:- 卡桑·班达拉
- 克里斯托夫·伯格迈尔
- 斯拉威克·斯密尔
摘要
随着大数据的出现,如今在许多应用程序中,可以使用包含大量类似时间序列的数据库。用传统的单变量预测程序预测这些领域的时间序列,为生成准确预测留下了巨大潜力。递归神经网络(RNN),特别是长短期记忆(LSTM)网络,最近已经证明,当在所有可用时间序列中进行训练时,在这种情况下,它们能够优于最先进的单变量时间序列预测方法。然而,如果时间序列数据库是异构的,准确性可能会下降,因此在该空间走向全自动预测方法的过程中,需要在方法中建立时间序列之间的相似性概念。为此,我们提出了一个预测模型,该模型可以与不同类型的RNN模型一起用于相似时间序列的子群,这些子群是通过时间序列聚类技术识别的。我们使用广泛流行的RNN变体LSTM网络评估我们提出的方法。我们的方法在竞争评估程序下的基准数据集上取得了具有竞争力的结果。特别是,在平均sMAPE准确度方面,它始终优于基线LSTM模型,并优于CIF2016预测竞争数据集上的所有其他方法。
建议引用
卡桑·班达拉(Kasun Bandara)、克里斯托夫·伯格迈尔(Christoph Bergmeir)和斯拉威克·斯梅尔(Slawek Smyl),2017年。"基于相似序列组的递归神经网络跨时间序列数据库的预测:一种聚类方法,"论文1710.03222,arXiv.org,2018年9月修订。手柄:RePEc:arx:论文:1710.03222
更正
本网站上的所有材料均由各自的出版商和作者提供。你可以帮助纠正错误和遗漏。请求更正时,请提及此项目的句柄:RePEc:arx:论文:1710.03222。请参阅一般信息关于如何更正RePEc中的材料。
如果您编写了此项目,但尚未在RePEc注册,我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格。
如果你知道引用这一条的缺失条目,你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是此项目的注册作者,您可能还需要检查您的RePEc作者服务个人资料,因为可能有一些引文等待确认。
有关此项目的技术问题,或更正其作者、标题、摘要、书目或下载信息,请联系:arXiv管理员(以下电子邮件可用)。供应商的一般联系方式:http://arxiv.org/。
请注意,更正可能需要几周时间才能筛选出来各种RePEc服务。