深度学习和基础模型在时间序列预测中的调查
内容提要
该文综述深度学习在时间序列预测中的应用，涵盖单步与多步预测的编码器-解码器设计、时间信息融合方法，以及深度学习与统计模型的混合模型进展，并涉及金融、工业等领域的价格预测，比较LSTM、CNN等模型性能，探讨深度学习对决策支持的促进作用。
延伸解读
模型选择：LSTM与CNN的对比
文章指出，在时间序列预测中，LSTM和CNN是两种最佳选择。LSTM能获得最准确的预测结果，而CNN在不同参数配置下能实现可比较的性能和更高的效率。读者在选择模型时，可根据对精度和效率的需求进行权衡。
混合模型的优势
文章提到一种混合模型，结合经典时间序列模型与深度神经网络，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。这为处理复杂时序数据提供了新思路。
深度学习在金融预测中的局限
文章提到，对于股票市场收盘价格等较少结构化的时间序列，深度学习网络的表现与重复观察到的最后一个值的基准线类似。这表明，在缺乏明显模式的数据上，深度学习模型可能并不优于简单基准，应用时需谨慎评估。
传统方法的竞争力
文章介绍了一项研究，通过输入变换可以提高传统GBRT模型的性能，使其优于所有评估的最新DNN模型。这提醒我们，传统机器学习方法在特定条件下仍具竞争力，不应忽视。
Q&A
深度学习在时间序列预测中常用的编码器-解码器设计是怎样的？
文章介绍了单步和多步预测中通用的编码器和解码器设计，并分析了每种方法如何加入时间信息以提高预测结果。
深度学习和统计模型的混合模型在时间序列预测中有哪些进展？
文章介绍了深度学习和统计模型的混合模型的最新进展，例如一种混合模型将经典时间序列模型与深度神经网络结合，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性，在数据效率、准确性和计算复杂性方面具有优势。
在时间序列预测中，LSTM和CNN哪个性能更好？
根据文章，LSTM和CNN是最佳选择，其中LSTM获得最准确的预测结果，而CNN在不同参数配置下能够实现可比较的性能和更高的效率。
深度学习在金融时间序列价格预测中有哪些应用？
文章综述了2020至2022年关于利用深度学习模型基于金融时序数据预测价格的研究，包括不同数据源和神经网络结构的实现细节，旨在让研究人员了解最新进展、选择模型基线并提供未来研究建议。
Transformer在时间序列预测中有哪些局限性和替代模型？
文章介绍了Transformer在时间序列预测方面的应用，探讨了其局限性，并提出了一系列性能更好、复杂度更低的替代模型。
深度学习如何为决策支持提供便利？
文章最后讨论了深度学习如何为决策支持提供便利。
