时间序列预测和临近预报的深度学习

我们将比较几种神经网络算法，找出与经典时间序列方法的主要区别，并确定在什么情况下我们可以从这些算法中受益。在实证研究中，这些方法应用于多个时间序列。我们发现神经网络算法可以产生与单变量时间序列的经典方法类似的预测和临近预报精度，但需要付出一些努力才能实现这一点。当应用于具有多个辅助变量和波动性更大的序列的更具挑战性的问题时，在我们的例子中，长短期记忆模型给出了准确的结果。由此得出的结论是，与针对特定问题的经典方法相比，深度学习可以提供附加价值，但还需要更多的研究。