田贤忠，顾思义，胡安娜

(浙江工业大学 计算机科学与技术学院，杭州 310000)

1 引 言

当代社会的各个领域中，每时每刻都会产生海量的时序数据，例如，金融、气象、交通和医疗等.高效的对这些时序数据进行处理和分析，能够让人把握事件的趋势，做出更好的决策.

使用循环神经网络(Recurrent Neural Network,RNN)来处理时序数据是一种有效的方法，其中长短期记忆(Long-Short Time Memory，LSTM)[1]网络和门控循环单元(Gated Recurrent Unit，GRU)[2]网络是最常用的两种RNN的变体，解决了RNN中梯度爆炸和梯度消失的问题.在交通领域，Fu R等人使用了LSTM和GRU对交通流量数据进行预测[3]；在工业领域，Zhao R等人将GRU使用于机器设备的健康监测[4]；在医疗领域，Choi E，Ruan T等人使用GRU训练了电子健康档案数据，预测病人未来的健康状况[5，6]，Che Z等人则考虑到了医疗数据中时序数据采样不均的问题，使用了改进结构的GRU模型进行训练[7]；在语音语义识别中，冯诗影等人对循环神经网络运用在语音识别中，并对训练过程优化，明显提高了模型训练效率[8]，李永帅等人构建了一个双向的LSTM多层网络模型，克服了传统情感词典中情感词倾向不变形等问题[9]；在时序数据预测任务中，张旭东等人设计了一种LSTM模型，可以使网络训练与人的经验知识结合，使训练过程更有目的性[10].

早在1996年，Chen P等人发现宏观和金融指数色混沌的广泛证据，证明经济体运动是高度复杂的非线性运动，不是随机过程[11].因此，金融系统走势也是可以被预测的，许多研究都选择使用机器学习来对金融市场走势进行预测……