在当前这个数据为王的时代,时间序列预测技术在金融市场分析、医疗诊断、气象预报等多个重要领域中扮演着关键角色。而深度学习,作为人工智能领域的一个重要分支,它强大的算法和模型为我们解决复杂多变的时间序列预测问题提供了前所未有的有力工具。
本文精心汇总了11篇深度学习时间序列预测模型的顶会论文,涵盖基于递归神经网络(RNN)、卷积神经网络(CNN)、Transformer架构以及多元时序预测等多种类型的模型。这些论文不仅代表了该领域的最新研究进展,而且为我们提供了关于如何有效利用深度学习进行时间序列预测的新思路和方法。
RNN时序预测模型
1、SegRNN: Segment Recurrent Neural Network for Long-Term Time Series Forecasting(ICLR 2024)
SegRNN:用于长期时间序列预测的分段递归神经网络
简述:本文提出了两种创新策略,即分段迭代和并行多步预测(PMF),以减少RNN在长期时间序列预测(LTSF)任务中的循环迭代次数。通过整合这些策略,研究人员开发了一种新的RNN变体,称为SegRNN。实验结果表明,SegRNN不仅提升了预测的准确性,还显著加快了推理速度,并且在运行时间和内存使用上相比基于Transformer的模型减少了78%以上。
2、WITRAN: Water-wave Information Transmission and Recurrent Acceleration Network for Long-range Time Series Forecasting(NeurIPS 2023)
Witran:用于长期时间序列预测的水波信息传输和递归加速网络
简述:本文提出了一种新型水波信息传输(WIT)框架,它通过双粒度捕获长短期重复模式,并利用水平垂直门控选择单元(HVGSU)处理全局和局部信息。为提升效率,研究人员还设计了循环加速网络(RAN),降低了时间复杂度。综合这两点,这种方法WITRAN在四个数据集上的长程和超长程时