因为自己是做时间序列预测这一块,所以关于阅读的论文也是这一块,主要是深度学习在时间序列预测中的一个应用。其实撇开深度学习而言,时间序列预测本身就有自己的方法:ARIMA、VAR、三指数平滑法、SARIMA等等,还包括机器学习中的方法(回归分析,随机森林,GBDT、Xgboost等等)。因为深度学习被炒得很热,吸引了很多研究人员的目光,所以深度学习在时间序列预测中的应用也越来越受关注,越来越多的论文是基于深度学习的时间序列预测方面的。
之前看了很多论文也没有做一个统一一点的总结,现在借着博客,详细的返回看看之前看过的论文,无论是之后自己再写论文或者做实验,也希望能从这些阅读过的论文中再次获得灵感。今天总结的这篇论文是Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks(LSNet),这篇论文是发表在SIGIR 2018会议上,地址:https://arxiv.org/abs/1703.07015。
摘要
论文的开始是摘要,摘要部分是要详细阅读,在这篇论文的概要部分首先强调了多元时间序列预测在各个领域的重要性,突出论文中的研究意义,然后就阐述了在实际应用中收集到的时间序列数据通常涉及长期和短期模式的混合 (如下图),而对付这样的数据,传统的方法比如自回归模型和高斯分布可能会失败,所以作者说到他们在论文中提出了一种新颖的深度学习框架,也就是LSTNe