A new recurrent neural network for forecasting seasonal time series
本文介绍了一种受指数平滑法启发的创新循环神经网络，该网络利用一种基于粒子群优化算法的学习算法和一种新的目标函数，在季节性时间序列预测方面实现了优于现有深度及浅层人工神经网络的卓越性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
时间序列预测是一门通过观察随时间变化的数字序列来猜测未来将会发生什么的科学。想象一下天气预报预测明天的气温，或者商店经理估算下个月需要备多少把雨伞。这些预测往往会受到季节性的复杂影响。正如天气在夏季变暖、在冬季变冷一样，许多数据流每年、每季度或每月都会重复出现模式。几十年来，统计学家一直使用专门的数学工具来处理这些重复周期，而计算机科学家则构建了人工神经网络——一种旨在模仿人类大脑从示例中学习方式的系统——以寻找数据中的复杂模式。挑战一直在于如何让这些计算机系统理解季节性的节奏，而无需人类先将数据简化至最基本的形态。
来自土耳其吉雷松大学和英国伦敦国王学院的一个研究小组开发了一种专门用于解决这一问题的新型计算机系统。他们创建了一种新的循环神经网络，这是一种可以记住过去事件以辅助未来预测的人工智能，但它有一个独特的转折点。研究人员并没有强迫计算机从零开始学习季节性，也没有要求人类先对数据进行清洗，而是将季节性重复的概念直接内置到了机器的结构之中。他们的系统被设计为能够观察去年同一时期的发生情况，就像人类气象学家可能会做的那样，并利用这种记忆来进行预测。
研究人员在六个非常不同的现实世界数据集上测试了他们的新系统，以观察它是否能优于现有方法。这些数据集包括记录了十年的每月国际航空旅客人数、澳大利亚的季度啤酒消费量、安卡拉的每月空气污染水平、土耳其的国家用电量，以及吉雷松市的局部气压和温度读数。在每一个案例中，这个新网络都证明了自己比其他流行的预测工具更准确，包括像长短期记忆网络（LSTM）这样复杂的深度学习模型以及较简单的循环网络。在预测数据的下一步时，该新系统始终能产生最小的误差。
使这个新网络与众不同之处在于它的构建方式。传统的计算机模型通常将过去的每一条数据视为同等重要，无论它是发生在昨天还是十年前。然而，在预测中，最近发生的事情对于预测近期未来通常更为重要。研究人员通过给计算机一种衡量错误的新方式解决了这个问题。他们编写程序，让系统更加关注它最近犯下的错误，而不是较旧的错误。这种被称为“加权误差测量”的方法引导计算机调整其内部设置，使其对当前趋势更加敏感。此外，该系统使用了一种受鸟群觅食启发而产生的学习方法，允许它同时探索许多不同的可能性以找到最佳解决方案，而不是陷入局部陷阱。
这项研究还引入了一种特定的策略，以防止计算机过度学习过去的数据，即模型过于完美地记忆历史以至于无法预测未来的问题。通过使用一种能在恰当时机停止训练过程并在搜索陷入困境时偶尔重置的技术，研究人员确保了系统的灵活性。当他们将这个新网络与其它方法进行三十次独立的对比实验以确保结果并非偶然时，新系统始终提供了最稳定且最准确的预测。性能差异如此显著，以至于统计测试证实了这种新方法确实具有优越性，而不仅仅是运气好。
这项工作代表了机器处理季节性数据方面迈出的重要一步。通过将季节性平滑的逻辑直接嵌入到神经网络的架构中，研究人员创造了一个不需要在学习前对数据进行预处理或简化的工具。该系统能够自主学习季节的节奏，将现代人工智能的灵活性与传统预测的成熟逻辑结合在一起。结果表明，对于任何试图预测遵循季节性模式的事物（从能源需求到天气状况）的人来说，这种新方法提供了一种更可靠、更准确的洞察未来的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。