文献类型：期刊文章

作　　者：李文[1] 邓升[1] 段妍[1] 杜守国[2]

Li Wen;Deng Sheng;Duan Yan;Du Shouguo(School of Statistics and Information,Shanghai University of International Business and Economics,Shanghai 201620,China;Shanghai Municipal Human Resources and Social Security Bureau Information Technology Center,Shanghai 200051,China)

机构地区：[1]上海对外经贸大学统计与信息学院,上海201620 [2]上海市人力资源和社会保障局信息中心,上海200051

出　　处：《计算机应用与软件》

基　　金：海关总署决策咨询研究课题(HG-YB009);国家社会科学基金项目(17BTJ025);上海市领军人才。

年　　份：2020

卷　　号：37

期　　号：10

起止页码：64-70

语　　种：中文

收录情况：BDHX、BDHX2017、IC、JST、ZGKJHX、核心刊

摘　　要：随着深度学习与时间序列传统模型的融合发展,通过利用大量可用数据在整个时间序列集合中估计全局模型的参数,使得传统的局部建模方法得到了实质性的改进。介绍近年来提出的与深度学习相结合的时间序列预测方法及三种时间序列预测模型:深度状态空间模型(DSSM),深度自回归模型(DeepAR),Transformer模型。采用GluonTS时间序列预测框架对上海市出口额数据进行预测并给出效果评估。实验结果表明,基于深度学习的时间序列预测效果明显优于传统的ARIMA模型的预测。

关 键 词：时间序列预测 深度状态空间模型  深度自回归模型  Transformer模型  

分 类 号：O211.61] TP183[数学类]