Modèles de prévision de séries temporelles profonds : Un examen complet

L'apprentissage profond, une technique cruciale pour atteindre l'intelligence artificielle (IA), a été appliqué avec succès dans de nombreux domaines. L'application progressive des dernières architectures d'apprentissage profond dans le domaine de la prévision de séries temporelles (PST), telles que les Transformers, a montré d'excellentes performances et résultats par rapport aux méthodes statistiques traditionnelles. Ces applications sont largement présentes dans le milieu universitaire et dans notre vie quotidienne, couvrant de nombreux domaines, y compris la prévision de la consommation d'électricité dans les systèmes électriques, les précipitations météorologiques, le flux de trafic, le commerce quantitatif, le contrôle des risques en finance, les opérations de vente et les prévisions de prix pour les entreprises commerciales, ainsi que la prévision de pandémies dans le domaine médical. Les tâches de PST basées sur l'apprentissage profond se démarquent comme l'un des scénarios d'IA les plus précieux pour la recherche, jouant un rôle important dans l'explication de phénomènes complexes du monde réel. Cependant, les modèles d'apprentissage profond sont toujours confrontés à des défis : ils doivent faire face à la problématique des données à grande échelle à l'ère de l'information, atteindre des plages de prévision plus longues, réduire une complexité computationnelle excessivement élevée, etc. Par conséquent, des méthodes novatrices et des solutions plus efficaces sont essentielles. Dans cet article, nous passons en revue les derniers développements de l'apprentissage profond pour la PST. Nous commençons par introduire les tendances de développement récentes dans le domaine de la PST, puis proposons une nouvelle taxonomie du point de vue des modèles de réseaux neuronaux profonds, couvrant de manière exhaustive les articles publiés au cours des cinq dernières années. Nous organisons également les métriques d'évaluation expérimentales couramment utilisées et les ensembles de données. Enfin, nous soulignons les problèmes actuels des solutions existantes et suggérons des pistes prometteuses pour l'avenir dans le domaine de l'apprentissage profond combiné à la PST. Cet article est la revue la plus complète liée à la PST ces dernières années et fournira un index détaillé pour les chercheurs dans ce domaine et ceux qui commencent à peine.