typora-copy-images-to: ./

Recurrent Neural Networks for Time Series Forecasting: Current Status and Future Directions

Abstract

递归神经网络（RNN）已成为竞争性预测方法，已建立的统计模型（例如ETS和ARIMA）不仅因为其准确性高而广受欢迎，而且由于其健壮，高效且自动的特性，也适合非专业用户。我们得出结论，如果数据集中的序列具有均质的季节性模式，则RNN可以直接对季节进行建模，否则，我们建议您进行反季节化步骤。与ETS和ARIMA的比较表明，已实现的（半）自动RNN模型不是灵丹妙药，但在许多情况下它们是竞争性的选择。

Introduction

过去，神经网络 NN的性能不佳有许多可能的原因，其中一个原因是各个时间序列本身通常太短，无法使用复杂的方法进行建模。另一个可能性可能是时间序列的特征随时间而改变，因此即使很长的时间序列也可能无法包含足够的相关数据来适应复杂的模型。因此，为了通过复杂的方法对序列进行建模，必须具有足够的长度以及从相对稳定的系统中生成序列，这一点至关重要。此外，神经网络因其黑盒性质而受到进一步批评。因此，预测从业人员传统上通常选择更直接的统计技术。