Key points are not available for this paper at this time.
Das nichtlineare autoregressive exogene (NARX) Modell, das den aktuellen Wert einer Zeitreihe basierend auf ihren vorherigen Werten sowie den aktuellen und vergangenen Werten mehrerer treibender (exogener) Serien vorhersagt, wurde seit Jahrzehnten untersucht. Obwohl verschiedene NARX-Modelle entwickelt wurden, können nur wenige von ihnen die langfristigen zeitlichen Abhängigkeiten angemessen erfassen und die relevanten treibenden Serien auswählen, um Vorhersagen zu treffen. In diesem Papier schlagen wir ein zweistufiges, auf Aufmerksamkeit basierendes rekurrentes neuronales Netzwerk (DA-RNN) vor, um diese beiden Probleme zu adressieren. In der ersten Stufe führen wir einen Eingabe-Attention-Mechanismus ein, um relevante treibende Serien (auch bekannt als Eingabefeatures) an jedem Zeitschritt adaptiv zu extrahieren, indem wir uns auf den vorherigen versteckten Zustand des Encoders beziehen. In der zweiten Stufe verwenden wir einen zeitlichen Attention-Mechanismus, um relevante versteckte Zustände des Encoders über alle Zeitschritte hinweg auszuwählen. Mit diesem zweistufigen Aufmerksamkeitsansatz kann unser Modell nicht nur effektiv Vorhersagen treffen, sondern auch leicht interpretiert werden. Gründliche empirische Studien basierend auf dem SML 2010-Datensatz und dem NASDAQ 100 Aktien-Datensatz zeigen, dass das DA-RNN bestehende Verfahren zur Vorhersage von Zeitreihen übertreffen kann.
Qin et al. (Fr,) haben diese Frage untersucht.