目前存在许多不同结构的深度学习模型适用于不同领域的时间序列分析任务,其中之一是序列到序列(Seq2Seq)模型.经典的Seq2Seq模型一般由基于循环神经网络的编码器和解码器组成,其能对时序数据在时间维度上的变化规律进行建模.为了进一步提升模型拟合时间序列的效果,在经典的Seq2Seq模型的基础上提出了三项改进.第 1 项改进旨在引入外部信息,第2 项改进旨在提升模型的学习能力,第3 项改进旨在减小模型拟合存在较大数量级变化的序列的误差.在某企业对企业服务的成交总额数据集上进行了实验,结果是这3 项改进都能提升模型拟合的效果,且同时使用 3 项改进的提升比只用任何1 项的效果好.可得出结论,所提改进能够提升Seq2Seq模型拟合有外部信息,结构复杂,且存在较大数量级变化的时间序列的效果.
NETL
NSTL
万方数据
维普
