使用深度学习方法的多变量时间序列预测模型

摘要：

　　多变量时间序列预测是许多领域中重要的机器学习问题,包括太阳能电站能量输出,电力消耗和交通堵塞情况的预测.在这些现实世界的应用中出现的时间数据通常涉及长期和短期模式的混合,对于这些模式,诸如自回归模型和高斯过程的传统方法可能失败.在本文中,我们提出了一种新的深度学习框架,即CNN-GRU 时间序列网络以解决这一开放性挑战.CNN-GRU 使用卷积神经网络(CNN)和门控循环网络(GRU)来提取变量之间的短期局部依赖模式.在我们对具有重复模式的复杂混合的实际数据的评估中,CNN-GRU 对比几种最先进的基本方法,实现了显着的性能改进.

关键词： 多变量时间序列 循环神经网络 卷积神经网络

作者: 周绍景

作者单位: 上海电力大学计算机科学与技术学院 上海,200090

会议类型: 国内会议

会议名称: 2019年上海市“智能计算与智能电网”研究生学术论坛

会议地点: 上海

会议语种:中文

页码: 12-19

在线出版日期: 2019-05-17（万方平台首次上网日期，不代表论文的发表时间）