基于時域卷積與雙向GRU神經(jīng)網(wǎng)絡(luò)的時序預(yù)測模型

王振　張生

摘 要：隨著物聯(lián)網(wǎng)技術(shù)和5G技術(shù)的發(fā)展，各類智能設(shè)備收集的時序數(shù)據(jù)規(guī)模急劇增長，為了利用深度學(xué)習(xí)技術(shù)對大規(guī)模時序數(shù)據(jù)進(jìn)行預(yù)測，提出一種基于深度神經(jīng)網(wǎng)絡(luò)的時序預(yù)測模型。該模型首先利用時域卷積神經(jīng)網(wǎng)絡(luò)層對時序數(shù)據(jù)進(jìn)行預(yù)處理，然后利用雙向GRU神經(jīng)網(wǎng)絡(luò)層提取時序數(shù)據(jù)的前向特征和后向特征，最后對時序數(shù)據(jù)進(jìn)行預(yù)測。在真實數(shù)據(jù)集上的實驗結(jié)果表明，該模型相比傳統(tǒng)長短期記憶網(wǎng)絡(luò)模型，預(yù)測準(zhǔn)確度提高了近70%，預(yù)測速度提高了近10%，可更好地滿足對大規(guī)模時序數(shù)據(jù)的預(yù)測需求。

關(guān)鍵詞：深度學(xué)習(xí);時序預(yù)測;雙向GRU神經(jīng)網(wǎng)絡(luò);卷積神經(jīng)網(wǎng)絡(luò);循環(huán)神經(jīng)網(wǎng)絡(luò)

DOI：10. 11907/rjdk. 192539

中圖分類號：TP306 ? 文獻(xiàn)標(biāo)識碼：A??????????????? 文章編號：1672-7800（2020）003-0048-05

Time Series Prediction Model Based on Time Domain Convolution and

Bidirectional GRU Neural Network

WANG Zhen， ZHANG Sheng

（School of Optical-Electrical and Computer Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China）

Abstract： With the development of Internet of Things and 5G technology， the scale of time series data collected by various kinds of intelligent devices has increased dramatically. In order to use deep learning technology to predict large-scale time series data， this paper proposes a time series prediction model based on deep neural network. This model firstly preprocesses the time series data with the time-domain convolutional neural network layer， then extracts the forward and backward characteristics of the time series data with the bidirectional gated recurrent unit （GRU） neural network layer， and finally predicts the time series data. The experimental results on real data sets show that the model proposed in this paper can better meet the prediction requirements of large-scale time series data by improving the prediction accuracy nearly 70% and the prediction speed nearly 10% compared with the traditional LSTM network model.

Key Words： deep learning; time series prediction; bidirectional GRU neural network; CNN; RNN

0 引言

序列數(shù)據(jù)通常包括文本數(shù)據(jù)和時序數(shù)據(jù)，其中時序數(shù)據(jù)反映數(shù)據(jù)在時間維度上的變化規(guī)律，其是按時間順序存儲的一連串隨時間推移測量相同事物的數(shù)據(jù)點[1-2]。時序數(shù)據(jù)在現(xiàn)實生活中分布廣泛，如智能家居系統(tǒng)在持續(xù)監(jiān)控房屋內(nèi)變化時收集的溫度和濕度數(shù)據(jù)、自動駕駛汽車持續(xù)收集的環(huán)境變化數(shù)據(jù)等。時序預(yù)測即使用特定的時序預(yù)測模型對歷史數(shù)據(jù)進(jìn)行擬合，分析時序數(shù)據(jù)發(fā)展規(guī)律，最終對未知數(shù)據(jù)作出預(yù)測[2]?，F(xiàn)有時序預(yù)測方法主要分為統(tǒng)計學(xué)習(xí)方法和深度學(xué)習(xí)方法，其中統(tǒng)計學(xué)習(xí)方法適用于線性時序數(shù)據(jù)預(yù)測，深度學(xué)習(xí)方法適用于復(fù)雜非線性的大規(guī)模時序數(shù)據(jù)預(yù)測[3]。

目前時序預(yù)測領(lǐng)域常見的深度學(xué)習(xí)模型為門控循環(huán)單元網(wǎng)絡(luò)模型（Gated Recurrent Unit，GRU）[9]，該模型通過隱層狀態(tài)機制實現(xiàn)對時序數(shù)據(jù)歷史信息的利用，通過門控機制實現(xiàn)對隱層狀態(tài)的更新，該模型可較好地實現(xiàn)對中等規(guī)模時序數(shù)據(jù)的預(yù)測分析。但由于模型結(jié)構(gòu)較為復(fù)雜，對大規(guī)模數(shù)據(jù)進(jìn)行預(yù)測時運算速度較慢，且在數(shù)據(jù)規(guī)模較大時，隱層狀態(tài)機制對較早的信息無法進(jìn)行有效利用，導(dǎo)致準(zhǔn)確度下降[2-3]。

為了更好地對大規(guī)模時序數(shù)據(jù)進(jìn)行預(yù)測，本文提出一種基于時域卷積與雙向GRU神經(jīng)網(wǎng)絡(luò)的時序預(yù)測模型。該模型首先構(gòu)建包含時域卷積層和最大池化層的時域卷積神經(jīng)網(wǎng)絡(luò)，通過引入滑動窗口機制及最大池化結(jié)構(gòu)，對大規(guī)模時序數(shù)據(jù)進(jìn)行有效信息提取并縮減數(shù)據(jù)規(guī)模，然后利用雙向GRU神經(jīng)網(wǎng)絡(luò)進(jìn)行時序預(yù)測，有效避免了傳統(tǒng)模型中無法有效利用隱層信息的問題，以提高對大規(guī)模時序數(shù)據(jù)的預(yù)測準(zhǔn)確度與速度。

1 相關(guān)理論

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是由LeCun[4]于1998 年提出的一種神經(jīng)網(wǎng)絡(luò)模型。卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，是一種主要應(yīng)用于計算機視覺領(lǐng)域的經(jīng)典深度學(xué)習(xí)模型，相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，其引入了卷積層和池化層。

卷積層（Convolutional Layer）用于將輸入圖像特征圖與卷積核進(jìn)行卷積運算，其通過滑動一個比原有輸入尺寸更小的窗口提取輸入的局部特征，然后在更高層進(jìn)行合并，以得到輸入圖像全局特征。卷積層內(nèi)部采用稀疏連接和權(quán)值共享機制，可以降低參數(shù)數(shù)量。

池化層（Pooling Layer）主要用于對數(shù)據(jù)進(jìn)行池化處理，通常在卷積操作之后進(jìn)行。池化處理的目的是為了計算特征在局部的充分統(tǒng)計量，從而降低總體特征數(shù)量，防止過擬合且減少計算量，同時通過增大卷積層的觀察窗口，引入空間過濾器的層級結(jié)構(gòu)。

時域卷積神經(jīng)網(wǎng)絡(luò)是一種使用一維卷積核（One Dimensional Convolution Kernel）[5]在時域上對時序數(shù)據(jù)進(jìn)行卷積計算的卷積神經(jīng)網(wǎng)絡(luò)，其工作原理如圖1所示。它將時序數(shù)據(jù)中的時間維度看作一個空間維度，通過時序分割從序列中提取出局部序列段，然后使用一維卷積核對局部序列段的鄰近信號進(jìn)行卷積計算，生成一個輸出張量。

時域卷積計算如式（1）所示。

式中[yt]表示[t]時刻的時域卷積值，[xt-k+1]表示輸入序列[x={x1，x2，？，xn}]中的第[t-k+1]個值，[wk]表示一維卷積核中的權(quán)值參數(shù)，卷積核長度為[N]。

由于時域卷積神經(jīng)網(wǎng)絡(luò)的每個輸出張量都是通過對不同位置上的局部序列段使用同一離散卷積核進(jìn)行卷積計算得出的，即卷積核參數(shù)是固定的，因此時序特征在時間維度上的平移不會對時域卷積神經(jīng)網(wǎng)絡(luò)產(chǎn)生影響。所以與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)類似，時域卷積神經(jīng)網(wǎng)絡(luò)在時間維度上具有平移不變性，可以識別出隱含在局部序列段中的局部特征模式。

由于時域卷積神經(jīng)網(wǎng)絡(luò)在對輸入序列進(jìn)行處理時沒有保留輸入時間步的順序信息，因此為了加入時序敏感性，本文引入雙向GRU網(wǎng)絡(luò)對時域卷積神經(jīng)網(wǎng)絡(luò)的輸出作進(jìn)一步處理。

1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）是一類具有內(nèi)部環(huán)的神經(jīng)網(wǎng)絡(luò)[6]。其序列處理方式是：遍歷序列元素，并生成一個隱層狀態(tài)，其中包含與歷史數(shù)據(jù)相關(guān)的模式信息。其能夠保留序列前后關(guān)系，通常被用于處理序列數(shù)據(jù)。

對于傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)，當(dāng)輸入序列長度較大時，會產(chǎn)生梯度消失問題，導(dǎo)致RNN實際上只能學(xué)習(xí)到短期依賴關(guān)系，而無法很好地處理遠(yuǎn)距離依賴，也稱為長期依賴問題（Long-Term Dependencies Problem）[7]。

為了解決這一問題，一種比較好的解決方案是通過引入門控機制以控制信息累積速度，包括選擇性地加入新信息，并選擇性地遺忘之前累積的信息，通常稱這類網(wǎng)絡(luò)為基于門控的循環(huán)神經(jīng)網(wǎng)絡(luò)（Gated RNN）。兩種常見的基于門控機制的循環(huán)神經(jīng)網(wǎng)絡(luò)為：長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）[8]和門控循環(huán)單元網(wǎng)絡(luò)（Gated Recurrent Unit，GRU）[9]。

LSTM神經(jīng)網(wǎng)絡(luò)由Hochreiter&Schmidhuber于1997年提出，其是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體。GRU神經(jīng)網(wǎng)絡(luò)由Chung等提出，其在LSTM基礎(chǔ)上作進(jìn)一步優(yōu)化，使得運行計算代價更低。GRU與LSTM可得到同樣準(zhǔn)確的預(yù)測結(jié)果，而且GRU模型中包含網(wǎng)絡(luò)參數(shù)更少，因此其運算性能較好，且降低了出現(xiàn)過擬合的風(fēng)險。LSTM與GRU網(wǎng)絡(luò)均使用被稱為“門”（gate）的記憶模塊或結(jié)構(gòu)控制對歷史序列特征的記憶。

在數(shù)字電路中存在著類似的“門”機制，其中 “門”為一個二值變量：{0， 1}，0代表關(guān)閉狀態(tài)，不允許任何信息通過;1代表開放狀態(tài)，允許所有信息通過。GRU網(wǎng)絡(luò)中的“門”是一種非離散數(shù)值，取值在（0， 1）之間，表示允許一定比例的信息流通過“門”。趨近于0時，表示信息流不能通過“門”;趨近于1時，表示信息流可以通過“門”。

門控循環(huán)單元模型內(nèi)部結(jié)構(gòu)如圖2所示，設(shè)輸入時序數(shù)據(jù)為[x={x1，x2，？，xt}]，其中[xt]表示輸入序列中第t個元素值;[ht-1]表示在t-1時刻的隱層狀態(tài);[rt]表示重置門，用于控制前一時刻隱層單元[ht-1]對當(dāng)前輸入[xt]的影響，若其值為0，則開關(guān)[rt]為打開狀態(tài)，使[ht-1]對[xt]不產(chǎn)生影響;[zt]表示更新門，用于決定是否忽略當(dāng)前輸入[xt]，當(dāng)[zt]開關(guān)接通下方支路時，將忽略當(dāng)前輸入，同時在[ht-1]與[ht]之間形成短路，使得梯度得以有效地進(jìn)行反向傳播。這種構(gòu)成短路的機制能夠有效避免出現(xiàn)梯度消失現(xiàn)象。

在[t]時刻，門控循環(huán)單元模型在數(shù)學(xué)上的形式化表示如下：

其中，公式（2）和公式（3）中的[σ]表示Sigmoid激活函數(shù)，公式（4）和公式（5）中的[⊙]表示逐元素相乘，公式（6）為Sigmoid激活函數(shù)的數(shù)學(xué)定義。

2 模型

2.1 模型結(jié)構(gòu)

本時序預(yù)測模型基本結(jié)構(gòu)如圖3所示。通過卷積計算與最大池化處理過程，將較長的原始時序數(shù)據(jù)轉(zhuǎn)換為由抽象特征組成的更短序列，然后將其作為雙向GRU網(wǎng)絡(luò)層的輸入進(jìn)行分析處理。本時序數(shù)據(jù)預(yù)測模型充分結(jié)合了時域卷積神經(jīng)網(wǎng)絡(luò)在處理時序數(shù)據(jù)時的速度優(yōu)勢與門控循環(huán)單元的時序敏感性。

本模型通過引入時域卷積神經(jīng)網(wǎng)絡(luò)，一方面縮小了輸入數(shù)據(jù)的數(shù)量級規(guī)模，提高了模型運算速度，另一方面時域卷積神經(jīng)網(wǎng)絡(luò)輸出中隱含了較大時間跨度下的時序特征，使雙向GRU網(wǎng)絡(luò)進(jìn)行后續(xù)計算時可以觀察到更早的時序數(shù)據(jù)，以及分辨率更高的時序數(shù)據(jù)，從而提高了時序預(yù)測的準(zhǔn)確性。

2.2 時域卷積神經(jīng)網(wǎng)絡(luò)處理層

在時域卷積神經(jīng)網(wǎng)絡(luò)處理層的卷積計算過程中使用128個時域卷積核，大小為24，最大池化層的最大池化算子大小為3。

時域卷積神經(jīng)網(wǎng)絡(luò)處理層激活函數(shù)為線性整流函數(shù)（Rectified Linear Unit，ReLU），又稱為修正線性單元。ReLU函數(shù)可以使一部分神經(jīng)元輸出為0，以提高網(wǎng)絡(luò)稀疏性，并且減少了參數(shù)的相互依存關(guān)系，以避免發(fā)生過擬合現(xiàn)象[11]。另外ReLU函數(shù)的導(dǎo)數(shù)為1，可減輕梯度消失問題，其數(shù)學(xué)定義如式（7）所示。

式中[x]為神經(jīng)元輸入量，[w]為神經(jīng)元權(quán)重參數(shù)，[b]為神經(jīng)元偏移量（bias）。

通過池化處理可以對輸入數(shù)據(jù)進(jìn)行縮放映射，在本模型中采用最大池化（Max Pooling）方法進(jìn)行池化處理。通過最大池化處理可以在輸入特征中提取局部最大值，以降低可訓(xùn)練參數(shù)數(shù)目，提高模型的魯棒性[12]。

最大池化處理在減小輸出數(shù)據(jù)維度的同時，保留了輸入數(shù)據(jù)最顯著的特征信息[13]。最大池化的意義主要為兩點：一是通過對特征圖（Feature Map）降維，有效減少后續(xù)層需要的參數(shù);二是保持平移不變性（Translation Invariance） [14]，即當(dāng)輸入數(shù)據(jù)在鄰域發(fā)生微小位移時，最大池化層的輸出是不變的，從而增強神經(jīng)網(wǎng)絡(luò)的魯棒性，有一定的抗擾動作用。

最大池化變換函數(shù)如式（8）所示。

式中，[qli（t）]表示第[l]層第[i]個特征矢量中第[t]個神經(jīng)元的值，[t∈[（j-1）W+1，jW]]，[W]為池化區(qū)域?qū)挾?，[pl+1i（j）]表示第[l+1]層中第[j]次池化計算對應(yīng)的值。

2.3 雙向GRU神經(jīng)網(wǎng)絡(luò)處理層

由于時序信息在GRU網(wǎng)絡(luò)中向前傳遞時會不斷衰減，越靠前的序列信息衰減越嚴(yán)重。為了克服信息衰減問題，本文對GRU網(wǎng)絡(luò)加以改進(jìn)，同時訓(xùn)練兩個方向相反的GRU以構(gòu)成雙向GRU模型[10]。雙向GRU模型由兩個單向GRU疊加在一起組成，每個時刻t的輸入都會同時提供給兩個方向相反的GRU網(wǎng)絡(luò)層進(jìn)行學(xué)習(xí)，模型最終輸出由這兩個單向GRU網(wǎng)絡(luò)層輸出共同決定。

本文使用的雙向GRU神經(jīng)網(wǎng)絡(luò)模型如圖4所示。

在雙向GRU模型中，對前向傳遞和后向傳遞兩個子GRU網(wǎng)絡(luò)的輸出進(jìn)行疊加，可得到雙向GRU模型輸出，其輸出公式如式（9）所示。

在雙向GRU神經(jīng)網(wǎng)絡(luò)處理層中，前向傳遞子層與后向傳遞子層的神經(jīng)單元個數(shù)均為32個。

為了避免模型在訓(xùn)練過程中出現(xiàn)過擬合，在門控循環(huán)單元處理層引入Dropout機制[15]。Dropout是指在深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練過程中，對于神經(jīng)網(wǎng)絡(luò)單元，按照一定概率將其暫時從網(wǎng)絡(luò)中丟棄，該機制可以增強模型的泛化性，因為其不會太依賴于某些局部特征。經(jīng)過實驗測試，當(dāng)設(shè)置門控循環(huán)單元的Dropout為0.5時，模型性能達(dá)到最優(yōu)。

3 實驗

3.1 數(shù)據(jù)集與測試環(huán)境

本實驗采用兩個數(shù)據(jù)集，分別是美國PJM公司的電力負(fù)荷數(shù)據(jù)集（包含2002-2018年間收集的145 366條電力能源消耗數(shù)據(jù)，其時間粒度為每小時，單位為兆瓦（MW）），以及德國馬克思·普朗克生物地球化學(xué)研究所的氣象站數(shù)據(jù)集（包含2009-2018年間收集的420 551條氣象觀測數(shù)據(jù)，時間粒度為每10分鐘），分別記為數(shù)據(jù)集1和數(shù)據(jù)集2。本實驗在這兩個數(shù)據(jù)集上將本模型與現(xiàn)有時間序列分析預(yù)測模型進(jìn)行比較，最終證明本模型在解決實際問題時有較好表現(xiàn)。

在本實驗輸入數(shù)據(jù)中以每10分鐘為一個時間步，每6個時間步（即每小時）采集一次數(shù)據(jù)，給定過去2 880個時間步（20天）之內(nèi)的數(shù)據(jù)，以預(yù)測144個時間步（24小時）之后的時間序列數(shù)據(jù)。

實驗在配置為Intel Core i5-4560 2.80GHz CPU、16GB內(nèi)存、1TB硬盤，操作系統(tǒng)為Windows 10 64位的機器上進(jìn)行，模型測試代碼使用Python語言實現(xiàn)。在實驗中，通過將本模型與常見的BP神經(jīng)網(wǎng)絡(luò)模型、RNN神經(jīng)網(wǎng)絡(luò)模型、LSTM神經(jīng)網(wǎng)絡(luò)模型及GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比，以證明本模型的高效性與準(zhǔn)確性。

3.2 數(shù)據(jù)預(yù)處理

在將實驗數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)之前，需要對其進(jìn)行預(yù)處理。由于各個時序數(shù)據(jù)集中數(shù)據(jù)的數(shù)值變化范圍不同，為便于比較，需要對每個時間序列進(jìn)行標(biāo)準(zhǔn)化（Standardization）處理。處理方法采用z-score標(biāo)準(zhǔn)化方法，具體是將原始時序數(shù)據(jù)的均值與標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化，經(jīng)過標(biāo)準(zhǔn)化處理后的時序數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1，其轉(zhuǎn)化函數(shù)如式（10）所示。

式中[xi]表示原始數(shù)據(jù)中的第[i]個值，[μi]表示原始數(shù)據(jù)均值，[σi]表示原始數(shù)據(jù)標(biāo)準(zhǔn)差，[xi]表示標(biāo)準(zhǔn)化后的數(shù)據(jù)。

3.3 評價指標(biāo)

為了驗證本模型相對其它時序預(yù)測模型的優(yōu)勢，本實驗引入平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）、均方誤差（Mean Squared Error，MSE） [16]與算法運行時間4項評估指標(biāo)。通過該評價指標(biāo)，可以充分評估各個時序預(yù)測模型在測試集上的預(yù)測誤差和預(yù)測速度。

其中MAE是指模型預(yù)測值[yi]與樣本真實值[yi]之間距離的平均值，MAE能夠較準(zhǔn)確地反映預(yù)測值誤差的真實情況。MAE值越小，預(yù)測精度越大。MAE計算公式如公式（11）所示。

上式中[m]為測試集中的樣本個數(shù)，[yi]、[yi]分別表示第[i]個樣本的真實值和預(yù)測值。

RMSE表示模型預(yù)測值[yi]與樣本真實值[yi]之間差異的樣本標(biāo)準(zhǔn)偏差，RMSE對于測試集中的異常數(shù)據(jù)點更加敏感，即若有一個預(yù)測值與真實值相差很大，RMSE則會很大。RMSE值越小，預(yù)測精度越大。RMSE計算如式（12）所示。

MSE是指參數(shù)估計值與參數(shù)真實值之差平方的期望值，可用于評價數(shù)據(jù)變化程度，MSE值越小，說明預(yù)測模型具有更好的精度。MSE計算如式（13）所示。

3.4 實驗結(jié)果分析

表1、表2列出了使用MSE、MAE、RMSE與算法運行時間4種評價指標(biāo)對BP神經(jīng)網(wǎng)絡(luò)模型、RNN神經(jīng)網(wǎng)絡(luò)模型、LSTM神經(jīng)網(wǎng)絡(luò)模型、GRU神經(jīng)網(wǎng)絡(luò)模型及本文模型在不同數(shù)據(jù)集上進(jìn)行評估的結(jié)果。

對比實驗結(jié)果顯示，本模型在數(shù)據(jù)集1與數(shù)據(jù)集2上的MSE評估指標(biāo)相比LSTM神經(jīng)網(wǎng)絡(luò)模型分別提升了30.12%、70.31%，運行時間指標(biāo)分別提升了12.81%、10.5%。相比單層GRU神經(jīng)網(wǎng)絡(luò)模型，加入時域卷積網(wǎng)絡(luò)后的模型在數(shù)據(jù)集1與數(shù)據(jù)集2上的MSE評估指標(biāo)分別提升了45.41%、69.14%，運行時間指標(biāo)分別提升了8.5%、5.7%。說明通過結(jié)合時域卷積與雙向GRU神經(jīng)網(wǎng)絡(luò)，本模型減小了運算負(fù)荷，且能夠捕獲更長時間維度中的時序信息，進(jìn)而提高了本模型的預(yù)測準(zhǔn)確性與速度。

為了驗證模型實際性能，圖5中給出了本模型時序預(yù)測結(jié)果與真實值的對比。結(jié)果顯示，本模型對時序數(shù)據(jù)的趨勢預(yù)測基本正確，說明從時域卷積神經(jīng)網(wǎng)絡(luò)提取的顯著性特征中，雙向GRU網(wǎng)絡(luò)可以獲得更準(zhǔn)確的時序規(guī)律，有效提高了時序預(yù)測精度，可滿足實際應(yīng)用需要。

4 結(jié)語

在未來的高速、低延時5G網(wǎng)絡(luò)中，種類多樣的物聯(lián)網(wǎng)傳感器將產(chǎn)生大量時序數(shù)據(jù)。針對當(dāng)前時間序列預(yù)測中存在的準(zhǔn)確性與計算效率較低的問題，本文提出一種基于時域卷積與門控神經(jīng)單元的網(wǎng)絡(luò)模型對時序數(shù)據(jù)進(jìn)行預(yù)測。相比淺層的傳統(tǒng)模式識別方法，本模型可避免人工特征提取，并增強了模型泛化能力。最終實驗結(jié)果表明，相較于BP神經(jīng)網(wǎng)絡(luò)模型、RNN神經(jīng)網(wǎng)絡(luò)模型、LSTM神經(jīng)網(wǎng)絡(luò)模型與GRU神經(jīng)網(wǎng)絡(luò)模型，利用本模型進(jìn)行時序預(yù)測有著更高的準(zhǔn)確度與速度。在未來研究中，還會對本模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，以進(jìn)一步提高模型預(yù)測精度和速度。

參考文獻(xiàn)：

[1]WEIGEND A S. Time series prediction： forecasting the future and understanding the past[M]. Routledge， 2018.

[2]潘麗娜. 神經(jīng)網(wǎng)絡(luò)及其組合模型在時間序列預(yù)測中的研究與應(yīng)用[D].蘭州：蘭州大學(xué)，2018.

[3]湯鈴. 復(fù)雜時間序列預(yù)測技術(shù)研究[M]. 北京：科學(xué)出版社，2016.

[4]LECUN Y， BOTTOU L， BENGIO Y， et al. Gradient-based learning applied to document recognition[J].Proceedings of the IEEE， 1998， 86（11）： 2278-2324.

[5]HAIDAR A，VERMA B. Monthly rainfall forecasting using one-dimensional deep convolutional neural network[J]. IEEE Access， 2018， 6： 69053-69063.

[6]LIPTON Z C， BERKOWITZ J， ELKAN C. A critical review of recurrent neural networks for sequence learning[J]. arXiv preprint arXiv：1506.00019， 2015.

[7]BENGIO Y， SIMARD P， FRASCONI P. Learning long-term dependencies with gradient descent is difficult[J]. IEEE transactions on neural networks， 1994， 5（2）： 157-166.

[8]HOCHREITER S， SCHMIDHUBER J. Long short-term memory[J]. Neural computation， 1997， 9（8）： 1735-1780.

[9]CHUNG J， GULCEHRE C， CHO K H， et al. Empirical evaluation of gated recurrent neural networks on sequence modeling[DB/OL].https：//arxiv.org/pdf/1412.3555.pdf.

[10]LU R，DUAN Z. Bidirectional GRU for sound event detection[J]. Detection and Classification of Acoustic Scenes and Events， 2017.

[11]LI Y， YUAN Y. Convergence analysis of two-layer neural networks with relu activation[C]. Advances in Neural Information Processing Systems，2017：597-607.

[12]SCHMIDHUBER J. Deep learning in neural networks： an overview[J]. Neural networks，2015，61： 85-117.

[13]TOLIAS G， SICRE R， JéGOU H. Particular object retrieval with integral max-pooling of CNN activations[DB/OL]. https：//arxiv.org/pdf/1511.05879.pdf.

[14]BOROVYKH A， BOHTE S， OOSTERLEE C W. Conditional time series forecasting with convolutional neural networks[EB/OL]. https：//www.doc88.com/p-4935081904951.html.

[15]SRIVASTAVA N， HINTON G， KRIZHEVSKY A， et al. Dropout： a simple way to prevent neural networks from overfitting [J]. The Journal of Machine Learning Research， 2014， 15（1）：1929-1958.

[16]MORIASI D N，ARNOLD J G，VAN LIEW M W，et al. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations[J]. Transactions of the ASABE，2007，50（3）：885-900.

（責(zé)任編輯：黃 ?。?/p>

收稿日期：2019-11-02

基金項目：上海市科學(xué)技術(shù)委員會科研計劃項目（17511109102）

作者簡介：王振（1993-），男，上海理工大學(xué)光電信息與計算機工程學(xué)院碩士研究生，研究方向為深度學(xué)習(xí)、時序預(yù)測;張生（1968-），男，上海理工大學(xué)光電信息與計算機工程學(xué)院高級工程師，研究方向為工業(yè)自動化、深度學(xué)習(xí)。