Прогнозирование временных рядов с использованием глубокого обучения: обзор
Time-series forecasting with deep learning: a survey
2021-02-15
SCID: 54.1/9m93483q
Discuss with AI
архитектуры глубокого обученияархитектуры кодировщик-декодергибридные модели глубокого обучениямногошаговое прогнозированиепрогнозирование временных рядов
Figures from the paper
Abstract (AI)
Для работы с разнообразными наборами данных временных рядов из различных предметных областей разработано множество архитектур глубокого обучения. В этой статье мы рассматриваем распространённые конструкции кодировщиков и декодировщиков, применяемые как для прогнозирования на один шаг вперёд, так и для прогнозирования на несколько временных горизонтов, описывая, каким образом каждая модель учитывает временную информацию при формировании прогнозов. Далее мы освещаем последние разработки в области гибридных моделей глубокого обучения, которые объединяют хорошо изученные статистические модели с компонентами нейронных сетей, повышая эффективность чисто статистических или чисто нейросетевых методов. Наконец, мы рассматриваем некоторые способы, с помощью которых глубокое обучение также может способствовать поддержке принятия решений на основе данных временных рядов. Статья входит в тематический выпуск «Машинное обучение для моделирования погоды и климата».
Key Findings
1
Глубокое обучение может поддерживать принятие решений на основе временных рядов, выходя за рамки одного лишь прогнозирования.
2
Гибридные модели, объединяющие известные статистические методы с компонентами нейронных сетей, рассматриваются как способ улучшить исключительно статистические или исключительно нейросетевые подходы.
3
Объясняется, как различные модели прогнозирования используют временную информацию при построении предсказаний для разнообразных наборов данных и предметных областей.
4
В обзоре классифицируются распространённые архитектуры кодировщиков и декодировщиков для одношагового и многогоризонтного прогнозирования временных рядов.
Research Object
архитектуры глубокого обучения и гибридные модели для прогнозирования временных рядов
Research Subject
архитектуры кодировщиков и декодировщиков, способы включения временной информации, развитие гибридных моделей и возможности поддержки принятия решений для одношагового и многогоризонтного прогнозирования временных рядов
Publication Details
Publication Date
2021-02-15
Journal
Publisher
ISSN
Cited by
1976
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai10
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Использование генеративного искусственного интеллекта для масштабирования интеллектуальных обучающих систем2023
Единый подход к интерпретации предсказаний моделей2017
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Почему я должен вам доверять?2016
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Обучение представлений: обзор и новые перспективы2013
Нейронный машинный перевод посредством совместного обучения выравниванию и переводу2014
Transformer-XL: внимательные языковые модели за пределами контекста фиксированной длины2019
Конвейер с поддержкой искусственного интеллекта для динамической генерации достоверного контента о пищевых добавках в больших масштабах2022
Работы, цитирующие эту статью4
Трансформеры во временных рядах: обзор2023
Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий2024
Предиктивное качество в производстве на основе машинного обучения и глубокого обучения: систематический обзор2022
Комплексный обзор глубокого обучения для прогнозирования временных рядов: архитектурное разнообразие и нерешённые проблемы2025