论文学习——基于注意力机制的LSTM和ARIMA集成方法在土壤温度中应用

写在前面：吉林大学学报（工学版）；主办单位：吉林大学；中文核心期刊

1 摘要

1. 提出点：基于注意力机制的多通道长短期记忆网络融合ARIMA算法 预测模型
2. 创新点：通过提取长短期 不同时刻重要时间特征，并利用ARIMA时间序列模型 提取线性特征优势 更准确预测土壤温度。

2 结论

1. 研究课题：土壤温度预测
2. 模型：AT-MC-LSTM模型
3. 创新点：LSTM网络 有许多存储单元，随着存储单元数量的增加，时间序列的相关性可能会降低，估计性能可能会受到影响。
   因此，本文设计的一种基于注意力机制的、多通道LSTM模型，【这里是不是多头注意力机制】，将LSTM结构中的多单元和ARIMA模型，通过注意力机制 直接连接到输出层。 本模型不仅通过训练，学习确定性成分， 和不同时刻的重要事件特征，还可以通过ARIMA方法捕捉 时间序列数据的 随机成分。

2.1 未来的优化方向

• 对估计模型输入数据进行优化
  例如，主成分分析和集合经验模式分解

3 引言

1. ARIMA 方法能够估计时间序列数据的随机成分。
2. LSTM 网络有许多存储单元时，通常是不能捕捉到单元之间长期的相关性。