Modellierung von langfristigen und kurzfristigen zeitlichen Mustern mit tiefen neuronalen Netzen

Die multivariate Zeitreihenprognose ist ein wichtiges maschinelles Lernproblem in vielen Bereichen, darunter die Vorhersage der Energieerzeugung von Solarkraftwerken, der Elektrizitätsverbrauch und Verkehrsstausituationen. Zeitliche Daten, die in diesen realen Anwendungen auftreten, beinhalten oft eine Mischung aus langfristigen und kurzfristigen Mustern, für die traditionelle Ansätze wie autoregressive Modelle und Gaußsche Prozesse versagen können. In dieser Arbeit schlagen wir ein neues tiefes Lernframework vor, nämlich das Netzwerk für lang- und kurzfristige Zeitreihen (LSTNet), um diese offene Herausforderung anzugehen. LSTNet verwendet sowohl Convolutional Neural Networks (CNNs) als auch Recurrent Neural Networks (RNNS), um kurzfristige lokale Abhängigkeitsmuster zwischen den Variablen zu extrahieren und langfristige Muster für Zeitreihentrends zu entdecken. Darüber hinaus nutzen wir traditionelle autoregressive Modelle, um das Skaleninsensibilitätsproblem des neuronalen Netzmodells zu bewältigen. Bei unserer Auswertung mit realen Daten, die komplexe Mischungen wiederkehrender Muster aufweisen, erzielte LSTNet erhebliche Leistungsverbesserungen im Vergleich zu mehreren Stand-of-the-Art-Basisverfahren. Alle Daten und Experimentiercodes sind online verfügbar.