本文約1700字，建議閱讀5分鐘
本文介紹了在預(yù)測中使用LSTM架構(gòu)的5篇最新論文。
1、Integrating LSTMs and GNNs for COVID-19 Forecasting
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(jié)合，使得最近幾項(xiàng)研究發(fā)現(xiàn)了可以更好地預(yù)測大流行的方式。許多這樣的模型還包括長短期記憶（LSTM），這是時(shí)間序列預(yù)測的常見工具。通過在LSTM的門內(nèi)實(shí)施GNN并利用空間信息來進(jìn)一步研究這兩種方法的集成。并且引入了跳過連接，該連接對(duì)于共同捕獲數(shù)據(jù)中的空間和時(shí)間模式也被證明了非常的重要。論文驗(yàn)證了過去472天的37個(gè)歐洲國家數(shù)據(jù)的每日COVID-19新案例預(yù)測模型，并且與基于平均絕對(duì)縮放誤差（MASE）的最先進(jìn)的圖時(shí)間序列模型相比，表現(xiàn)出卓越的性能。https://arxiv.org/pdf/2202.08897.pdf2、Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for Turkey
水力發(fā)電是一種可再生能源，基于水庫的液壓發(fā)電廠的生產(chǎn)根據(jù)不同的參數(shù)而變化。因此水力生產(chǎn)的估計(jì)在發(fā)電計(jì)劃方面變得重要。在本文中，通過基于LSTM網(wǎng)絡(luò)深度學(xué)習(xí)模型進(jìn)行了土耳其每月水電生產(chǎn)的估計(jì)。設(shè)計(jì)的深度學(xué)習(xí)模型基于多年的水力生產(chǎn)時(shí)間序列和未來的生產(chǎn)計(jì)劃。通過使用真實(shí)的生產(chǎn)數(shù)據(jù)和不同的LSTM深度學(xué)習(xí)模型，檢查了它們對(duì)明年液壓發(fā)電的每月預(yù)測的性能。結(jié)果表明，將基于多年實(shí)際生產(chǎn)數(shù)據(jù)的時(shí)間序列與深度學(xué)習(xí)模型結(jié)合起來進(jìn)行長期預(yù)測是成功的。在這項(xiàng)研究中可以看出100層LSTM模型，其中120個(gè)月（10年）根據(jù)RMSE和MAPE值使用了120個(gè)月（10年）的水力發(fā)電時(shí)間數(shù)據(jù)，就估計(jì)準(zhǔn)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(shù)據(jù)，每年29,689的水電生成數(shù)據(jù)，每月分布的時(shí)間為29,689。根據(jù)研究的結(jié)果，建議使用LSTM創(chuàng)建可接受的水力預(yù)測模型，涵蓋至少120個(gè)月的生產(chǎn)時(shí)間數(shù)據(jù)。https://arxiv.org/pdf/2109.09013.pdf3、Long Short-Term Memory Neural Network for Financial Time Series(arXiv)
Author : Carmina Fjellstr?m績效預(yù)測是經(jīng)濟(jì)學(xué)和金融中的古老問題。機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的發(fā)展引出了非線性時(shí)間序列模型，為傳統(tǒng)的分析方法提供了現(xiàn)代和有前途的替代品。我們提出了一個(gè)獨(dú)立的和并行的長短時(shí)記憶(LSTM)神經(jīng)網(wǎng)絡(luò)的集合，用于股票價(jià)格運(yùn)動(dòng)的預(yù)測。lstm已經(jīng)被證明特別適合于時(shí)間序列數(shù)據(jù)，因?yàn)樗鼈兡軌蛘线^去的信息，而神經(jīng)網(wǎng)絡(luò)集成已經(jīng)被發(fā)現(xiàn)可以減少結(jié)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問題，集合的預(yù)測依賴于一個(gè)閾值，該閾值是對(duì)結(jié)果達(dá)成一致所需的最小lstm數(shù)量。該模型被應(yīng)用于規(guī)模較小、效率較低的斯德哥爾摩OMX30指數(shù)的成分股，而不是文獻(xiàn)中常見的道瓊斯指數(shù)和標(biāo)準(zhǔn)普爾500指數(shù)等其他主要市場指數(shù)。通過一個(gè)簡單的交易策略，與隨機(jī)選擇的投資組合和包含指數(shù)中所有股票的投資組合進(jìn)行比較，可以發(fā)現(xiàn)LSTM集合產(chǎn)生的投資組合提供了更好的平均每日回報(bào)和更高的累積回報(bào)。此外，LSTM組合也表現(xiàn)出更小的波動(dòng)性，導(dǎo)致更高的風(fēng)險(xiǎn)回報(bào)比。https://arxiv.org/pdf/2201.08218.pdf
4、Demand Forecasting in Smart Grid Using Long Short-Term Memory(arXiv)
Koushik Roy, Abtahi Ishmam, Kazi Abu Taher隨著智能計(jì)量電網(wǎng)的興起，電力行業(yè)的需求預(yù)測已成為現(xiàn)代需求管理和響應(yīng)系統(tǒng)的重要組成部分。長短時(shí)記憶(Long - term Memory, LSTM)在預(yù)測時(shí)間序列數(shù)據(jù)方面表現(xiàn)出良好的效果，并可應(yīng)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(jié)構(gòu)LSTM的電力需求預(yù)測模型。該模型使用智能電網(wǎng)四年來每小時(shí)的能源和電力使用數(shù)據(jù)進(jìn)行訓(xùn)練。經(jīng)過訓(xùn)練和預(yù)測后，將模型的精度與傳統(tǒng)的統(tǒng)計(jì)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(duì)百分位誤差為1.22，是所有模型中最小的。研究結(jié)果表明，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力需求預(yù)測可以顯著降低預(yù)測誤差。因此，LSTM的應(yīng)用可以使需求響應(yīng)系統(tǒng)更加高效。https://arxiv.org/pdf/2107.13653.pdf
5、Forecasting Commodity Prices Using Long Short-Term Memory Neural Networks(arXiv)
Racine Ly, Fousseini Traore, Khadim Dia本文應(yīng)用RNN方法對(duì)棉花和石油價(jià)格進(jìn)行預(yù)測。論文展示了這些來自機(jī)器學(xué)習(xí)的新工具，特別是長-短期記憶(LSTM)模型是如何補(bǔ)充傳統(tǒng)方法的。論文的結(jié)果表明，機(jī)器學(xué)習(xí)方法擬合數(shù)據(jù)相當(dāng)好，但在樣本外預(yù)測方面并不優(yōu)于經(jīng)典的系統(tǒng)方法，例如如ARIMA模型。但是將這兩種模型的預(yù)測平均起來，會(huì)比任何一種方法得到更好的結(jié)果。與ARIMA和LSTM相比，棉花的平均預(yù)測均方根誤差(RMSE)分別降低了0.21和21.49%。就石油而言，預(yù)測平均法在RMSE方面沒有提供改善。論文的建議是使用預(yù)測平均法，并將分析擴(kuò)展到廣泛的商品價(jià)格范圍。https://arxiv.org/pdf/2101.03087.pdf
編輯：王菁
校對(duì)：林亦霖
