Прогнозирование временных рядов с использованием глубокого обучения: обзор

Time-series forecasting with deep learning: a survey
Bryan Y. Lim, Stefan Zohren
2021-02-15

архитектуры глубокого обученияархитектуры кодировщик-декодергибридные модели глубокого обучениямногошаговое прогнозированиепрогнозирование временных рядов
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».
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.

архитектуры глубокого обучения и гибридные модели для прогнозирования временных рядов

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
Access Type
Author Information
Authors
Bryan Y. Lim
Stefan Zohren
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%