在預測中使用LSTM架構的最新5篇論文推薦

來(lái)源：Deephub Imba

Nathan Sesti, Juan Jose Garau-Luis, Edward Crawley, Bruce Cameron
將COVID-19的傳播與圖神經(jīng)網(wǎng)絡(luò )（GNN）的結合，使得最近幾項研究發(fā)現了可以更好地預測大流行的方式。許多這樣的模型還包括長(cháng)短期記憶（LSTM），這是時(shí)間序列預測的常見(jiàn)工具。通過(guò)在LSTM的門(mén)內實(shí)施GNN并利用空間信息來(lái)進(jìn)一步研究這兩種方法的集成。并且引入了跳過(guò)連接，該連接對于共同捕獲數據中的空間和時(shí)間模式也被證明了非常的重要。論文驗證了過(guò)去472天的37個(gè)歐洲國家數據的每日COVID-19新案例預測模型，并且與基于平均絕對縮放誤差（MASE）的最先進(jìn)的圖時(shí)間序列模型相比，表現出卓越的性能。https://arxiv.org/pdf/2202.08897.pdf

Author : Mehmet Bulut
水力發(fā)電是一種可再生能源，基于水庫的液壓發(fā)電廠(chǎng)的生產(chǎn)根據不同的參數而變化。因此水力生產(chǎn)的估計在發(fā)電計劃方面變得重要。在本文中，通過(guò)基于LSTM網(wǎng)絡(luò )深度學(xué)習模型進(jìn)行了土耳其每月水電生產(chǎn)的估計。設計的深度學(xué)習模型基于多年的水力生產(chǎn)時(shí)間序列和未來(lái)的生產(chǎn)計劃。通過(guò)使用真實(shí)的生產(chǎn)數據和不同的LSTM深度學(xué)習模型，檢查了它們對明年液壓發(fā)電的每月預測的性能。結果表明，將基于多年實(shí)際生產(chǎn)數據的時(shí)間序列與深度學(xué)習模型結合起來(lái)進(jìn)行長(cháng)期預測是成功的。在這項研究中可以看出100層LSTM模型，其中120個(gè)月（10年）根據RMSE和MAPE值使用了120個(gè)月（10年）的水力發(fā)電時(shí)間數據，就估計準確性而言是最高模型。在該模型中使用了100層LSTM模型，144個(gè)月（12年）的時(shí)間數據，每年29,689的水電生成數據，每月分布的時(shí)間為29,689。根據研究的結果，建議使用LSTM創(chuàng )建可接受的水力預測模型，涵蓋至少120個(gè)月的生產(chǎn)時(shí)間數據。
https://arxiv.org/pdf/2109.09013.pdf

Author : Carmina Fjellstr?m
績(jì)效預測是經(jīng)濟學(xué)和金融中的古老問(wèn)題。機器學(xué)習和神經(jīng)網(wǎng)絡(luò )的發(fā)展引出了非線(xiàn)性時(shí)間序列模型，為傳統的分析方法提供了現代和有前途的替代品。我們提出了一個(gè)獨立的和并行的長(cháng)短時(shí)記憶(LSTM)神經(jīng)網(wǎng)絡(luò )的集合，用于股****價(jià)格運動(dòng)的預測。lstm已經(jīng)被證明特別適合于時(shí)間序列數據，因為它們能夠整合過(guò)去的信息，而神經(jīng)網(wǎng)絡(luò )集成已經(jīng)被發(fā)現可以減少結果的可變性并提高泛化。模型使用了一個(gè)基于收益中值的二元分類(lèi)問(wèn)題，集合的預測依賴(lài)于一個(gè)閾值，該閾值是對結果達成一致所需的最小lstm數量。該模型被應用于規模較小、效率較低的斯德哥爾摩OMX30指數的成分股，而不是文獻中常見(jiàn)的道瓊斯指數和標準普爾500指數等其他主要市場(chǎng)指數。通過(guò)一個(gè)簡(jiǎn)單的交易策略，與隨機選擇的投資組合和包含指數中所有股****的投資組合進(jìn)行比較，可以發(fā)現LSTM集合產(chǎn)生的投資組合提供了更好的平均每日回報和更高的累積回報。此外，LSTM組合也表現出更小的波動(dòng)性，導致更高的風(fēng)險回報比。

https://arxiv.org/pdf/2201.08218.pdf

Koushik Roy, Abtahi Ishmam, Kazi Abu Taher
隨著(zhù)智能計量電網(wǎng)的興起，電力行業(yè)的需求預測已成為現代需求管理和響應系統的重要組成部分。長(cháng)短時(shí)記憶(Long - term Memory, LSTM)在預測時(shí)間序列數據方面表現出良好的效果，并可應用于智能電網(wǎng)的電力需求。本文提出了一種基于神經(jīng)網(wǎng)絡(luò )結構LSTM的電力需求預測模型。該模型使用智能電網(wǎng)四年來(lái)每小時(shí)的能源和電力使用數據進(jìn)行訓練。經(jīng)過(guò)訓練和預測后，將模型的精度與傳統的統計時(shí)間序列分析算法(如Auto-Regressive/AR)進(jìn)行比較。LSTM模型的平均絕對百分位誤差為1.22，是所有模型中最小的。研究結果表明，將神經(jīng)網(wǎng)絡(luò )應用于電力需求預測可以顯著(zhù)降低預測誤差。因此，LSTM的應用可以使需求響應系統更加高效。

https://arxiv.org/pdf/2107.13653.pdf

Racine Ly, Fousseini Traore, Khadim Dia
本文應用RNN方法對棉花和石油價(jià)格進(jìn)行預測。論文展示了這些來(lái)自機器學(xué)習的新工具，特別是長(cháng)-短期記憶(LSTM)模型是如何補充傳統方法的。論文的結果表明，機器學(xué)習方法擬合數據相當好，但在樣本外預測方面并不優(yōu)于經(jīng)典的系統方法，例如如ARIMA模型。但是將這兩種模型的預測平均起來(lái)，會(huì )比任何一種方法得到更好的結果。與ARIMA和LSTM相比，棉花的平均預測均方根誤差(RMSE)分別降低了0.21和21.49%。就石油而言，預測平均法在RMSE方面沒(méi)有提供改善。論文的建議是使用預測平均法，并將分析擴展到廣泛的商品價(jià)格范圍。

https://arxiv.org/pdf/2101.03087.pdf