Investigación sobre algoritmos de aprendizaje automático y extracción de características para series temporales

Este artículo tiene como objetivo utilizar diversos algoritmos de aprendizaje automático y explorar la influencia entre diferentes algoritmos y múltiples características en la serie temporal. Los registros de consumo real constituyen la serie temporal como objeto de investigación. Extraemos marcas de consumo, frecuencia y otras características. Además, utilizamos máquinas de vectores de soporte (SVM), memoria a corto y largo plazo (LSTM) y otros algoritmos para predecir el comportamiento de consumo del usuario. Además, también hemos implementado fusión de múltiples características y fusión de múltiples algoritmos con LSTM y SVM. Finalmente, los resultados experimentales muestran que los algoritmos LSTM son ventajosos en predicción cuando los datos son escasos. Por otro lado, la SVM es beneficiosa cuando los datos son más abundantes. Además, el modelo de fusión LSTM-SVM tiene ventajas en la extracción de características de LSTM y en la clasificación de SVM. En la mayoría de los casos, LSTM-SVM es el más destacado en predicción.