A Review of Deep Learning Models for Time Series Prediction

深度学习 人工智能 机器学习 计算机科学 判别式 维数之咒 时间序列 分类 生成语法 抽象 过程(计算) 生成模型 系列(地层学) 哲学 操作系统 古生物学 认识论 生物
作者
Zhongyang Han,Jun Zhao,Henry Leung,King Ma,Wei Wang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:21 (6): 7833-7848 被引量:269
标识
DOI:10.1109/jsen.2019.2923982
摘要

In order to approximate the underlying process of temporal data, time series prediction has been a hot research topic for decades. Developing predictive models plays an important role in interpreting complex real-world elements. With the sharp increase in the quantity and dimensionality of data, new challenges, such as extracting deep features and recognizing deep latent patterns, have emerged, demanding novel approaches and effective solutions. Deep learning, composed of multiple processing layers to learn with multiple levels of abstraction, is, now, commonly deployed for overcoming the newly arisen difficulties. This paper reviews the state-of-the-art developments in deep learning for time series prediction. Based on modeling for the perspective of conditional or joint probability, we categorize them into discriminative, generative, and hybrids models. Experiments are implemented on both benchmarks and real-world data to elaborate the performance of the representative deep learning-based prediction methods. Finally, we conclude with comments on possible future perspectives and ongoing challenges with time series prediction.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
F-cp发布了新的文献求助10
1秒前
Diamond完成签到 ,获得积分10
1秒前
1秒前
无私的馒头完成签到,获得积分10
2秒前
doubin完成签到,获得积分10
2秒前
TCR完成签到,获得积分10
2秒前
薯条爱吃薯条完成签到 ,获得积分10
2秒前
爆米花应助成就的冰双采纳,获得10
3秒前
希望天下0贩的0应助nyfz2002采纳,获得10
3秒前
zhangz完成签到,获得积分10
3秒前
叮当完成签到,获得积分10
4秒前
4秒前
包笑白发布了新的文献求助10
4秒前
小样完成签到,获得积分10
4秒前
辣辣完成签到,获得积分20
4秒前
ysm完成签到,获得积分10
5秒前
刘振岁发布了新的文献求助10
5秒前
可爱的函函应助林八八采纳,获得10
6秒前
7秒前
今后应助曾经问玉采纳,获得10
8秒前
直率绫发布了新的文献求助10
8秒前
桑尼号完成签到,获得积分10
9秒前
岁月荣耀完成签到,获得积分10
10秒前
时光倒流ltt完成签到,获得积分10
10秒前
孝艺完成签到 ,获得积分10
10秒前
liberation完成签到 ,获得积分10
10秒前
桃桃完成签到,获得积分10
10秒前
韦良晨发布了新的文献求助10
10秒前
10秒前
QXS完成签到,获得积分10
10秒前
橘猫爱笑完成签到 ,获得积分10
11秒前
11秒前
11秒前
包笑白完成签到,获得积分10
12秒前
雪鸽鸽完成签到,获得积分10
12秒前
12秒前
无奈尔曼完成签到,获得积分20
12秒前
加油努力发布了新的文献求助30
12秒前
LL关注了科研通微信公众号
13秒前
呐喊也抒情完成签到,获得积分10
13秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3245069
求助须知:如何正确求助?哪些是违规求助? 2888748
关于积分的说明 8255228
捐赠科研通 2557116
什么是DOI,文献DOI怎么找? 1385794
科研通“疑难数据库(出版商)”最低求助积分说明 650248
邀请新用户注册赠送积分活动 626447