罗广诚，郜家珏，蔡文学

（华南理工大学 电子商务系，广州 510000）

0 引言

时间序列预测是通过历史观测数据建立模型以解释数据变化规律，并对未来进行预测的技术，广泛应用在水文气象、信号处理以及金融经济等许多领域。时间序列数据分为平稳性时间序列和非平稳性时间序列。对于平稳时间序列，尤其是线性模型的建模和预测，已有许多成熟的技术和方法。但在实际问题中，大多数序列并非平稳、线性的，而目前对于这类时间序列的分析和处理上没有较为完善的方法。

随着人工智能技术的发展，神经网络、支持向量机等模型以其良好的非线性预测和实用性，被广泛应用在时间序列预测中。其中长短期记忆网络（Long Short－term Memory，LSTM）是应用最广泛的预测方法之一，主要应用方面有交通流预测、故障时间预测、语义关系分类、文本分类、情感分类、股票预测等方面［1－5］。LSTM 模型是一种时间递归神经网络，对于时间序列的数据而言预测精度高，并且LSTM 模型拥有大量的非线性传输层，不仅可以依据历史数据对未来变化趋势进行预测，还可以通过输入影响因素等非线性数据敏锐捕捉非线性因素影响下的未来变化；基于灰色关联度分析（Grey Relation Analysis，GRA）进行LSTM 模型中非线性输入因素的选择是常用的方式［6］。但其也存在对季节性时间序列中的周期、趋势性变化不敏感的特点［7］。而季节性差分自回归移动平均模型（Seasonal Autoregressive Integrated Moving Average，SARIMA）对于包含周期、趋势性变化的季节性时间序列预测具有良好的效果，目前被广泛应用在城市交通流预测、价格预测、疾病预测、CPI 和GDP指数预测等方面［8－10］。……