首页|基于深度学习模型DeepAR的时间序列预测及应用实例

基于深度学习模型DeepAR的时间序列预测及应用实例

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.

朱刚、李文、杜守国、崔久强

展开 >

上海市人力资源和社会保障局信息中心

上海对外经贸大学

上海市数字证书认证中心有限公司

时间序列预测 循环神经网络 DeepAR模型 GluonTS

海关总署决策咨询研究课题国家社会科学基金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

HG-YB00917BTJ02518692116100

2020

电子商务
中国电子学会,中国信息产业商会

电子商务

CHSSCD
影响因子：0.654
ISSN：1009-6108
年,卷(期)：2020.(7)
  • 1
  • 2