【Hybrid Neural Networks for Learning the Trend in Time Series】 阅读笔记

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，