یک شبکۀ حافظۀ طولانی کوتاه‌مدت عمیق مبتنی بر توجه تکاملی برای پیش‌بینی سری‌های زمانی

پیش‌بینی طولانی‌مدت سری‌های زمانی یک مسئله، مهم و چالش‌برانگیز است. امروزه شبکه‌های عمیق به‌خصوص شبکه‌های حافظۀ طولانی کوتاه‌مدت  (LSTM)، با موفقیت در پیش‌بینی سری‌های زمانی به کار گرفته‌ شده‌اند. شبکه‌های LSTM وابستگی‌های طولانی‌مدت را حفظ می‌کنند؛ اما توانایی آنها در اختصاص درجه‌های مختلف توجه به ویژگی‌های زیر پنجره در چند مرحلۀ زمانی کافی نیست. همچنین، عملکرد این شبکه‌ها به‌شدت به مقادیر ابرپارامتر آنها بستگی دارد و اتخاذ یک روش کارآمد برای کسب مقادیر مطلوب، مهم است. در این پژوهش برای غلبه بر چالش‌های فوق، LSTM عمیق مبتنی بر توجه تکاملی برای پیش‌بینی سری‌های زمانی چندمتغیره توصیه می‌شود که به‌طور خودکار، یکی از بهترین ترکیب‌ها از مقادیر پارامترهای LSTM و وزن توجه به ویژگی‌ها را می‌یابد. راه‌حل پیشنهادی از الگوریتم ژنتیک برای تنظیم مناسب معماری شبکه LSTM عمیق بهره می‌گیرد. به‌منظور ارزیابی عملکرد الگوریتم پیشنهادی، از سه مجموعه داده در زمینه‌های انرژی و محیط‌زیست بهره گرفته ‌شده است. نتایج آزمایشی نشان می‌دهند الگوریتم پیشنهادی، در مقایسه با سایر مدل‌های پایه، بهتر عمل می‌کند.

کلیدواژه ها:

ابرپارامتر ، الگوریتم تکاملی ، سری‌های زمانی ، چندمتغیره ، شبکۀ حافظۀ طولانی کوتاه‌مدت ، مکانیزم توجه