创新驱动的递归神经网络用于时间序列数据建模和预测

本研究针对时间序列数据建模和预测中的预测误差未能充分利用的问题，提出了一种创新驱动的递归神经网络（IRNN）架构。通过融合卡尔曼滤波器中的“创新”概念，该方法通过利用历史预测误差更新RNN的隐藏状态，从而显著提高了预测精度。实验证明，IRNN在多个基准数据集上的表现优于传统RNN，且训练成本没有显著增加。