文献类型：期刊文章

作　　者：梁宏涛[1] 刘硕[1] 杜军威[1] 胡强[1] 于旭[1]

LIANG Hongtao;LIU Shuo;DU Junwei;HU Qiang;YU Xu(School of Information Science and Technology,Qingdao University of Science and Technology,Qingdao,Shandong 266061,China)

机构地区：[1]青岛科技大学信息科学技术学院,山东青岛266061

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金(61973180,62172249);山东省产教融合研究生联合培养示范基地项目(2020-19)。

年　　份：2023

卷　　号：17

期　　号：6

起止页码：1285-1300

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、DOAJ、IC、JST、ZGKJHX、核心刊

摘　　要：时间序列一般是指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。时间序列预测的任务就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻,经典的参数模型以及传统机器学习算法难以满足预测任务的高效率和高精度需求。近年来,以卷积神经网络、循环神经网络和Transformer模型为代表的深度学习算法在时间序列预测任务中取得了丰硕的成果。为进一步促进时间序列预测技术的发展,综述了时间序列数据的常见特性、数据集和模型的评价指标,并以时间和算法架构为研究主线,实验对比分析了各预测算法的特点、优势和局限;着重介绍对比了多个基于Transformer模型的时间序列预测方法;最后结合深度学习应用于时间序列预测任务存在的问题与挑战,对未来该方向的研究趋势进行了展望。

关 键 词：时间序列数据 时间序列预测 深度学习  Transformer模型  

分 类 号：TP181]