路 强,滕进风,黎 杰,凌 亮,丁 超,黄健刚

1(合肥工业大学 计算机与信息学院,合肥 230009)

2(黄山旅游集团水电开发有限公司,黄山 245899)

3(南京航空航天大学 经济与管理学院,南京 211106)

时间序列预测在许多工业和商业应用中发挥着重要作用,例如金融市场、网络流量、天气预报和供水行业等. 在这些场景中,人们可以利用大量关于过去行为的时间序列数据来预测将来的值[1–3]. 时间序列预测的主要挑战是提高预测能力以满足日益增长的多步预测需求. 目前,时间序列预测在实际应用中关系到经济社会生活的各个方面. 因此,在这项工作中,本文将研究时间序列的多步预测性能.

传统的线性回归方法主要包括自回归,移动平均,自回归综合移动平均模型(ARIMA)等. 而非线性机器学习模型主要包括人工神经网络、支持向量回归和梯度提升决策树等[4–6],它们在时间序列预测方面也取得了良好的效果. 目前,深度学习技术可以更加高效的提取数据的特征. 经典深度学习框架有深度神经网络,卷积神经网络,循环神经网络(RNN)[7]等. RNN 是一种在时间上进行递归的神经网络,但它存在梯度消失和梯度爆炸的问题. 长短期记忆网络(LSTM)[8]使用3 个门控机制来解决梯度爆炸和梯度消失问题,它在长序列预测中表现得更好. 门控循环单元(GRU)[9]作为LSTM 的变体,GRU 与LSTM 具有相似的性能,它简化了LSTM 的门控结构,降低了网络的训练时间. 然而这些方法在对序列数据中的长期和复杂关系进行建模时仍……