文献类型：期刊文章

作　　者：毛远宏[1] 孙琛琛[2] 徐鲁豫[3] 刘曦[1] 柴波[1] 贺鹏超[1]

MAO Yuanhong;SUN Chenchen;XU Luyu;LIU Xi;CHAI Bo;HE Pengchao(Xi'an Microelectronics Technology Institute,Xi'an 710054,Shaanxi,China;School of Computer Science and Engineering,TianJin University of Technology,TianJin 300384,China;China Academy of Aerospace Electronics Technology,Beijing 100094,China)

机构地区：[1]西安微电子技术研究所,陕西西安710054 [2]天津理工大学计算机科学与工程学院,天津300384 [3]中国航天电子技术研究院,北京100094

出　　处：《微电子学与计算机》

基　　金：西安微电子技术研究所2022年创新支持项目(YL-220009)。

年　　份：2023

卷　　号：40

期　　号：4

起止页码：8-17

语　　种：中文

收录情况：JST、ZGKJHX、普通刊

摘　　要：时间序列预测通过分析时间序列找到其内在规律性对未来发展进行预测,其研究有着重要的学术意义和应用价值.特别随着传感器和网络技术的发展,如何基于大量历史时序数据进行更加精准和高效的预测分析成为了需要解决的迫切问题.时间序列预测任务充分借鉴了深度学习的技术研究成果,在近些年取得了快速发展.本文分析了时间序列预测技术的研究现状,论述了时间序列预测所涉及到深度学习方法的相关理论和方法,包括卷积神经网络、循环神经网络、注意力机制和图神经网络等方法在时间预测领域的应用,归纳总结近年来基于深度学习的时间序列研究成果,比较了基于各种深度学习时间序列方法的优缺点,在此基础上对基于深度学习时间序列预测方法的发展进行了展望.

关 键 词：时间序列预测 深度学习  卷积神经网络 循环神经网络 注意力机制  图神经网络  

分 类 号：TP391.41]