翟剑锋

（中国社会科学院大学计算机教研部 北京市 102488）

时序数据是以时间为先后顺序，记录各个时间点观测值的数据序列，反映了事物的发展变化规律。通过对时序数据进行建模分析，寻求新的预测模型和方法，探究数据的变化规律，提高时序数据预测的准确性，一直是学者的研究热点。时间序列分析在工程、金融、科技、生产生活等众多领域有着广泛的应用。通过将时间序列分析与机器学习相结合，可以更好的应用于数据检测、预测等场景。本文采用时序卷积神经网络对时序数据进行分析及预测，并在太阳黑子数据集上进行验证，同时与传统的时序数据分析方法及长短时记忆网络LSTM 的时序预测方法进行类比。

1 相关工作

时间序列数据的分析，主要有传统的基于统计的分析方法和以机器学习为基础的的分析方法。随着计算机计算能力的不断提升及深度学习的发展，深度神经网络模型能够更好的捕获数据间的潜在关联信息以提高模型的预测精度，国内外研究人员逐渐将深度神经网络引入到时间序列数据的分析中来，成为当前研究的热点问题。

在早期的基于统计的分析方法中，Yule 和Walker 分别提出自回归（AR）模型和移动平均（MA）模型，用于预测市场的变化规律和大气规律，奠定了基于统计的分析方法基础，一直沿用至今。1970年，由Box 和 Jenkins 提出了自回归差分移动平均（ARIMA）模型，并验证模型的有效性。进入本世纪以来，针对多变量、异方差等问题，Engle 提出自回归条件异方差(ARCH)模型，解决了具有波动性的时间序列预测问题，Bollerslov 进一步放宽了 ARCH模型的约束条件，提出广义自回归条件异方差(GARCH)模型。……