摘 要: | 在多元时间序列预测方法中,传统的模型无法敏锐地捕获时间序列短期突变信号从而导致预测趋势滞后和误差较大。本文提出了一种基于时钟触发长短期记忆(Clockwork Triggered Long Short Term Memory, CWTLSTM)网络的多元时序预测模型,通过增强对短期信息的捕获能力提高了预测精度。CWTLSTM将网络中所有的神经元进行分组,对每个分组赋予不同的激活频率,每一组神经元只在时间步长等于周期的整数倍时才被激活。根据周期是否为1将网络分为主干网络链和短期输入增强链,短期输入增强链在靠近输出位置的时间步上激活时,将输入信息的运算结果单向地传递给主干网络链,增强此时的输入权重,使模型在存储长期信息的基础上能快速响应短期突变信息带来的数据波动。在空气污染数据集和水泥篦冷机数据集上的验证结果表明,本文模型在减少预测误差与趋势判断上均有较好的表现。
|