在預測中使用LSTM架構的最新5篇論文推薦

來源：Deephub Imba

Nathan Sesti, Juan Jose Garau-Luis, Edward Crawley, Bruce Cameron
將COVID-19的傳播與圖神經網絡（GNN）的結合，使得最近幾項研究發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短期記憶（LSTM），這是時間序列預測的常見工具。通過在LSTM的門內實施GNN并利用空間信息來進一步研究這兩種方法的集成。并且引入了跳過連接，該連接對于共同捕獲數據中的空間和時間模式也被證明了非常的重要。論文驗證了過去472天的37個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）的最先進的圖時間序列模型相比，表現出卓越的性能。https://arxiv.org/pdf/2202.08897.pdf

Author : Mehmet Bulut
水力發電是一種可再生能源，基于水庫的液壓發電廠的生產根據不同的參數而變化。因此水力生產的估計在發電計劃方面變得重要。在本文中，通過基于LSTM網絡深度學習模型進行了土耳其每月水電生產的估計。設計的深度學習模型基于多年的水力生產時間序列和未來的生產計劃。通過使用真實的生產數據和不同的LSTM深度學習模型，檢查了它們對明年液壓發電的每月預測的性能。結果表明，將基于多年實際生產數據的時間序列與深度學習模型結合起來進行長期預測是成功的。在這項研究中可以看出100層LSTM模型，其中120個月（10年）根據RMSE和MAPE值使用了120個月（10年）的水力發電時間數據，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個月（12年）的時間數據，每年29,689的水電生成數據，每月分布的時間為29,689。根據研究的結果，建議使用LSTM創建可接受的水力預測模型，涵蓋至少120個月的生產時間數據。
https://arxiv.org/pdf/2109.09013.pdf

Author : Carmina Fjellstr?m
績效預測是經濟學和金融中的古老問題。機器學習和神經網絡的發展引出了非線性時間序列模型，為傳統的分析方法提供了現代和有前途的替代品。我們提出了一個獨立的和并行的長短時記憶(LSTM)神經網絡的集合，用于股****價格運動的預測。lstm已經被證明特別適合于時間序列數據，因為它們能夠整合過去的信息，而神經網絡集成已經被發現可以減少結果的可變性并提高泛化。模型使用了一個基于收益中值的二元分類問題，集合的預測依賴于一個閾值，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，而不是文獻中常見的道瓊斯指數和標準普爾500指數等其他主要市場指數。通過一個簡單的交易策略，與隨機選擇的投資組合和包含指數中所有股****的投資組合進行比較，可以發現LSTM集合產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性，導致更高的風險回報比。

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

Koushik Roy, Abtahi Ishmam, Kazi Abu Taher
隨著智能計量電網的興起，電力行業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。長短時記憶(Long - term Memory, LSTM)在預測時間序列數據方面表現出良好的效果，并可應用于智能電網的電力需求。本文提出了一種基于神經網絡結構LSTM的電力需求預測模型。該模型使用智能電網四年來每小時的能源和電力使用數據進行訓練。經過訓練和預測后，將模型的精度與傳統的統計時間序列分析算法(如Auto-Regressive/AR)進行比較。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，將神經網絡應用于電力需求預測可以顯著降低預測誤差。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格進行預測。論文展示了這些來自機器學習的新工具，特別是長-短期記憶(LSTM)模型是如何補充傳統方法的。論文的結果表明，機器學習方法擬合數據相當好，但在樣本外預測方面并不優于經典的系統方法，例如如ARIMA模型。但是將這兩種模型的預測平均起來，會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格范圍。

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