Evaluation von Deep-Learning-Modellen für die mehrschrittige Vorhersage von Zeitreihen

Die Vorhersage von Zeitreihen mit neuronalen Netzen ist in den letzten Jahrzehnten Gegenstand umfangreicher Forschung gewesen. Angesichts der jüngsten Revolution im Bereich des Deep Learning hat sich ein besonderes Augenmerk auf die Anwendung von Deep-Learning-Modellen zur Zeitreihenvorhersage gerichtet, weshalb es wichtig ist, deren Stärken und Schwächen zu bewerten. In diesem Artikel präsentieren wir eine Evaluationsstudie, die die Leistungsfähigkeit verschiedener Deep-Learning-Modelle für die mehrschrittige Vorhersage von Zeitreihen vergleicht. Zu den untersuchten Deep-Learning-Methoden zählen einfache rekurrente neuronale Netze, Long Short-Term Memory (LSTM)-Netze, bidirektionale LSTM-Netze, Encoder-Decoder-LSTM-Netze sowie konvolutionale neuronale Netze. Zudem führen wir einen weiteren Vergleich mit einfachen neuronalen Netzen durch, die zur Optimierung Stochastic Gradient Descent und Adaptive Moment Estimation (Adam) verwenden. Wir konzentrieren uns auf univariate Zeitreihen für die mehrschrittige Vorhersage anhand standardisierter Benchmark-Datensätze und vergleichen unsere Ergebnisse zudem mit verwandten Methoden aus der Literatur. Die Ergebnisse zeigen, dass die bidirektionalen und die Encoder-Decoder-LSTM-Netze bei den untersuchten Zeitreihenproblemen die höchste Vorhersagegenauigkeit erzielen.