摘要
近年来，基于神经网络的时间序列预测一直是研究热点。随着深度学习技术的迅猛发展，利用深度学习模型进行时间序列预测受到了广泛关注，因此评估其优缺点具有重要意义。本文开展了一项系统性评估研究，比较了多种深度学习模型在多步预测任务中的性能表现。所考察的深度学习方法包括：简单的循环神经网络（Recurrent Neural Networks, RNN）、长短期记忆网络（Long Short-Term Memory, LSTM）、双向LSTM网络、编码器-解码器LSTM网络以及卷积神经网络（Convolutional Neural Networks, CNN）。此外，本文还将这些模型与采用随机梯度下降（Stochastic Gradient Descent, SGD）和自适应矩估计（Adaptive Moment Estimation, Adam）优化算法训练的简单神经网络进行了对比分析。研究聚焦于单变量时间序列的多步预测任务，基于多个基准时间序列数据集展开实验，并将结果与文献中相关方法进行了进一步比较。实验结果表明，在所考察的时间序列预测问题中，双向LSTM网络与编码器-解码器LSTM网络在预测精度方面表现最优。