![52cb3f3bf100a2b28ae780ecdcf02777.png](https://i-blog.csdnimg.cn/blog_migrate/335595c56f2ca6b8a5428fedb0bc1598.png)
时间序列数据通常出现在不同的领域,如经济、商业、工程和许多其他领域,并且可以有不同的应用。使用机器学习进行时间序列建模已经成为新的发展趋势。主要的任务目标包括异常检测和回归预测。递归神经网络(RNNs)和卷积神经网络(CNNs)在时间序列建模问题上取得了良好结果。
CNN应用于时间序列的代表即TCN,又被称为因果卷积。TCN与RNNs相比,具有如下的优势:
(1)并行性。与 RNN 中后继时间步长的预测必须等待之前时间步完成预测不同,卷积可以并行完成,因为每一层都使用相同的滤波器。因此,在训练和评估中,TCN 可以处理一整个较长的输入序列,而不是像 RNN 中那样顺序处理。
(2)灵活的感受野大小。TCN 有多种方式更改其感受野大小。其中目前表现最好的即WaveNet使用的扩大卷积(dilated convolution)。
(3)梯度稳定。TCN的反向传播与RNN相比明显不同,而且通过引入残差连接和跳跃连接,能够有效缓解和避免梯度爆炸和梯度消失现象。
了解WaveNet,必须了解如下的三个概念(1)扩大因果卷积(2)PixelCNN门激活(3)跳跃连接和残差连接
扩大因果卷积
![766cc4e3339a405690671dd9aa25c685.png](https://i-blog.csdnimg.cn/blog_migrate/776f88da50404e29a1d1157a484ce8f0.jpeg)
因果卷积确保了模型输出不会违反数据的顺序:模型在 t 时刻输出的预测不会依赖任何一个未来时刻的数据,但是直接采用上述的因果卷积,为了使得模型能够捕捉长期依赖,模型必须拥有足够大的感受野,只能通过增加模型的深度和卷积核的大小,然而这将带来参数数量的迅速增加。WaveNet使用堆叠式扩大卷积层,这种卷积只需要几层就能获得很大的感受野,同时保留了输入分辨率和计算效率。
![95046ee967708479c25ebab74c8a123a.png](https://i-blog.csdnimg.cn/blog_migrate/9664b486c0881356aa0161e1b8e9de05.jpeg)