陈孝文,苏 攀,吴彬溶,成 承,王 林

(1.湖北中烟工业有限责任公司，湖北 武汉 430040;2.华中科技大学 管理学院，湖北 武汉 430074)

准确的时间序列预测有助于管理者提前做好布局和决策，所以时间序列预测得到了广泛的关注和应用，例如共享单车租赁需求预测[1]、汇率预测[2]、客运量预测[3]、期货价格预测[4]等领域。时间序列数据可以描述为一组按时间顺序的观察结果，类型可以分为单变量时间序列和多变量时间序列，具有数据规模大、维度高等特点。时间序列预测问题采用的模型大致分为经典统计模型(ARIMA、VAR模型)和机器学习模型(如支持向量机、人工神经网络模型)[5]。经典统计模型通过研究时间数据的演化，预测未来的走势。机器学习模型具有强大的非线性拟合能力，近年来也被广泛应用到时间序列预测中。随着大数据时代的到来，多变量、多通道的海量时间序列数据呈爆炸式增长，多元时间序列数据具有高维和时空相关性特征，或包含噪声数据，使经典统计方法难以有效建模。此外，传统的方法在处理大数据，特别是海量、复杂的多变量时态数据时也存在局限性。而深度学习模型具有较强的自适应能力、灵活的非线性建模能力以及海量的学习和并行计算能力，是求解复杂非线性系统的有效方法[6]。因此，数据驱动的深度学习预测方法越来越受到研究者的青睐。

作为常用的深度学习模型之一，长短期记忆网络(long short-term memory，LSTM)能够分析长跨度的时间序列并预测，有效解决传统循环神经网络梯度消失的问题。……