时间序列|?在预测中使用LSTM架构的最新5篇论文推荐深度学习|机器学习

1、Integrating LSTMs and GNNs for COVID-19 ForecastingNathan Sesti Juan Jose Garau-Luis Edward Crawley Bruce Cameron
将COVID-19的传播与图神经网络（GNN）的结合，使得最近几项研究发现了可以更好地预测大流行的方式。许多这样的模型还包括长短期记忆（LSTM），这是时间序列预测的常见工具。通过在LSTM的门内实施GNN并利用空间信息来进一步研究这两种方法的集成。并且引入了跳过连接，该连接对于共同捕获数据中的空间和时间模式也被证明了非常的重要。论文验证了过去472天的37个欧洲国家数据的每日COVID-19新案例预测模型，并且与基于平均绝对缩放误差（MASE）的最先进的图时间序列模型相比，表现出卓越的性能。
https://arxiv.org/pdf/2202.08897.pdf
2、Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for TurkeyAuthor : Mehmet Bulut
水力发电是一种可再生能源，基于水库的液压发电厂的生产根据不同的参数而变化。因此水力生产的估计在发电计划方面变得重要。在本文中，通过基于LSTM网络深度学习模型进行了土耳其每月水电生产的估计。设计的深度学习模型基于多年的水力生产时间序列和未来的生产计划。通过使用真实的生产数据和不同的LSTM深度学习模型，检查了它们对明年液压发电的每月预测的性能。结果表明，将基于多年实际生产数据的时间序列与深度学习模型结合起来进行长期预测是成功的。在这项研究中可以看出100层LSTM模型，其中120个月（10年）根据RMSE和MAPE值使用了120个月（10年）的水力发电时间数据，就估计准确性而言是最高模型。在该模型中使用了100层LSTM模型， 144个月（12年）的时间数据，每年29689的水电生成数据，每月分布的时间为29689 。根据研究的结果，建议使用LSTM创建可接受的水力预测模型，涵盖至少120个月的生产时间数据
https://arxiv.org/pdf/2109.09013.pdf
3、Long Short-Term Memory Neural Network for Financial Time Series(arXiv)Author : Carmina Fjellstr?m
绩效预测是经济学和金融中的古老问题。机器学习和神经网络的发展引出了非线性时间序列模型，为传统的分析方法提供了现代和有前途的替代品。我们提出了一个独立的和并行的长短时记忆(LSTM)神经网络的集合，用于股票价格运动的预测。 lstm已经被证明特别适合于时间序列数据，因为它们能够整合过去的信息，而神经网络集成已经被发现可以减少结果的可变性并提高泛化。模型使用了一个基于收益中值的二元分类问题，集合的预测依赖于一个阈值，该阈值是对结果达成一致所需的最小lstm数量。该模型被应用于规模较小、效率较低的斯德哥尔摩OMX30指数的成分股，而不是文献中常见的道琼斯指数和标准普尔500指数等其他主要市场指数。通过一个简单的交易策略，与随机选择的投资组合和包含指数中所有股票的投资组合进行比较，可以发现LSTM集合产生的投资组合提供了更好的平均每日回报和更高的累积回报。此外， LSTM组合也表现出更小的波动性，导致更高的风险回报比
https://arxiv.org/pdf/2201.08218.pdf
4、Demand Forecasting in Smart Grid Using Long Short-Term Memory(arXiv)Koushik Roy Abtahi Ishmam Kazi Abu Taher
随着智能计量电网的兴起，电力行业的需求预测已成为现代需求管理和响应系统的重要组成部分。长短时记忆(Long - term Memory LSTM)在预测时间序列数据方面表现出良好的效果，并可应用于智能电网的电力需求。本文提出了一种基于神经网络结构LSTM的电力需求预测模型。该模型使用智能电网四年来每小时的能源和电力使用数据进行训练。经过训练和预测后，将模型的精度与传统的统计时间序列分析算法(如Auto-Regressive/AR)进行比较。 LSTM模型的平均绝对百分位误差为1.22 ，是所有模型中最小的。研究结果表明，将神经网络应用于电力需求预测可以显著降低预测误差。因此， LSTM的应用可以使需求响应系统更加高效。