论文原文链接:https://www.ijcai.org/proceedings/2017/0316.pdf
摘要
本文的混合神经网络叫做TreNet,可以学习时间序列的局部特征和全局特征。它使用CNN提取局部特征,使用LSTM学习长远趋势,最终预测该时间序列之后一段时间的升降趋势。
CNN在提取数据局部特征方面有优势,得益于它能够强化神经元之间的局部连接。
LSTM在分析长远趋势上有优势,得益于网络内部的记忆机制。
作者是这么看待一个时间序列的:首先时间序列是由一些 长期趋势 构成的,如Figure2(b)的Trend1,2,3。看Figure2(a),在时间序列的尾部(即预测点之前)是一些 局部点集 ,它对时间序列的趋势有着较大影响,就好比要预测明天的天气,今天的天气情况会比十天前的天气情况更有参考价值。红圈中显示的是Trend 3 尾部的点集,可以看到,它表明数据有持平或下降的趋势,事实(蓝色虚线)也确实如此。这个模型的思想是综合考虑长期趋势和局部趋势,从而提高预测准确率。
网络结构
输入数据分两部分,第一部分Т是历史的较长远的趋势,