使用注意力机制的 LSTM 彻底改变时间序列预测

一、说明

   在时间序列预测领域，对更准确、更高效的模型的追求始终存在。深度学习的应用为该领域的重大进步铺平了道路，其中，长短期记忆 （LSTM） 网络与注意力机制的集成尤其具有革命性。本文深入探讨了一个实际案例研究：使用这种复杂的架构预测 Apple Inc. （AAPL） 的股价。

   重要的是要承认这些想法的起源：韦恩·格雷。Wayne 是一名金融分析师，在人工智能方面拥有专业知识。在不透露太多的情况下，韦恩很棒，他的想法更上一层楼。这篇文章试图解释我们的对话，只是他研究的开始！

二、LSTM 和注意力机制简介

   LSTM 网络是一种特殊的递归神经网络 （RNN），能够学习数据序列中的长期依赖关系。它们被广泛用于顺序数据，并且是时间序列分析中许多预测建模成功的基石。注意力机制最初是为自然语言处理任务开发的，它通过允许模型在进行预测时专注于输入序列的特定部分来增强 LSTM，类似于人类注意力的工作方式。

三、为什么要将 LSTM 与时间序列注意力相结合