基于深度学习模型DeepAR的时间序列预测及应用实例
时间序列是一种广泛存在于现实中的数据,常见的例子有股市的每日波动,每月家庭耗电量的记录等.经典的时间预测方法,往往有很多局限性,如自回归积分滑动平均方法(ARIMA)或指数平滑方法(ETS),将一个模型拟合到各个单独的时间序列,进行单点预测.而在真实场景中,知道某个商品的将来需求量的概率分布情况,比简单预测该商品未来需求量的实值更有价值.深度神经网络在时间序列预测领域已经有了许多成功的应用,Flunkert和Gasthaus等人(2019)提出了深度自回归模型(DeepAR),通过联合所有时间序列来训练单个模型受益,当数据集包含数百个相关时间序列时,DeepAR优于标准ARIMA和ETS方法.本文运用GluonTS框架对DeepAR模型在上海市制造业历年就业人数数据集上进行实证分析.
时间序列预测、循环神经网络、DeepAR模型、GluonTS
本研究得到海关总署决策咨询研究课题;国家社会科学基金项目;上海市科学技术委员会软科学研究项目;上海市领军人才项目的资助
2020-07-15（万方平台首次上网日期，不代表论文的发表时间）
共4页
83-86
