Unlocking the Power of LSTM for Long Term Time Series Forecasting

传统的循环神经网络结构，如长短期记忆神经网络（LSTM），在时间序列预测（TSF）任务中一直扮演着重要角色。虽然最近为自然语言处理（NLP）引入了sLSTM，它引入了指数门控和记忆混合，对于长期的序列学习有益，但其潜在的短期记忆问题是将sLSTM直接应用于TSF的障碍。为了解决这个问题，我们提出了一种名为P-sLSTM的简单而有效的算法，它基于sLSTM，结合了拼接和通道独立性。这些修改显著增强了sLSTM在TSF中的性能，实现了最先进的结果。此外，我们提供了我们设计的理论证明，并进行了广泛的比较和分析实验，充分验证了我们模型的效率和优越性能。

本论文试图解决在时间序列预测任务中，sLSTM存在短期内存问题的限制，提出一种名为P-sLSTM的算法来改进sLSTM在时间序列预测中的性能。

P-sLSTM算法是在sLSTM的基础上引入了patching和channel independence的改进，以解决其短期内存问题。这些改进使得P-sLSTM在时间序列预测中表现出色。

论文提出的P-sLSTM算法在多个时间序列预测数据集上表现出色，超过了其他基准模型。论文还提供了理论证明，并进行了广泛的实验验证。论文使用的数据集和代码均已公开。

最近在时间序列预测领域中，还有一些相关研究，如：'A Hybrid Method of LSTM and ARIMA for Time Series Forecasting'，'DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks'等。