CNN做时间序列预测_【深度学习 112】时间序列预测

最新推荐文章于 2024-09-10 19:56:36 发布

weixin_39988677

最新推荐文章于 2024-09-10 19:56:36 发布

阅读量602

点赞数

文章标签： CNN做时间序列预测

本文探讨了深度学习在时间序列预测中的应用，重点介绍了N-BEATS模型的结构和可解释性，以及Saliency detection在图像显著性检测中的原理。此外，还提到了将Spectral Residual技术应用于时间序列异常检测，通过CNN进行实时判断。

摘要由CSDN通过智能技术生成

本周张天平学弟在组会上讲了两篇时间序列预测上的最新文章，其中一篇文章用到了 CV 领域非常有意思的一个工作。

原文传送门

N-BEATS（ICLR 2020）：Oreshkin, Boris N., et al. "N-BEATS: Neural basis expansion analysis for interpretable time series forecasting." arXiv preprint arXiv:1905.10437 (2019).

Saliency detection（CVPR 2007）：Hou, Xiaodi, and Liqing Zhang. "Saliency detection: A spectral residual approach." 2007 IEEE Conference on computer vision and pattern recognition. Ieee, 2007.

Time series anomaly detection（KDD 2019）：Ren, Hansheng, et al. "Time-Series Anomaly Detection Service at Microsoft." Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2019.

特色

第一篇 paper 是 ICLR 2020 的文章，讲了一个纯深度学习的模型，用来预测时间序列，在竞赛上有较好的结果。同时，具有一定的可解释性。比较有意思的是第二篇文章，通过几行代码就可以识别出来一个图片中最显著的关注点位置，这篇文章是 Xiaodi Hou 在本科的时候做出来的，现在引用已经超过了 3000。第三篇文章是 KDD 2019 的文章，主要用来做时间序列中的异常点检测，用到了第二篇文章的技术。

过程

1、N-BEATS

神经网络结构

神经网络的结构如下，输入的是过去一段时间的数据，预测未来一段时间的数据。模型由若干个 stack 组成，各个 stack 的结果加和起来得到最后的预测结果；每个 stack 又由若干个 block 组成，每个 block 会向前和向后预测，向前预测的结果会加和起来得到最后的结果，向后预测的结果用于和原始信号相减，然后给下一个 block 使用。我的理解是，通过这样的方法可以先预测比较明显的 pa