TY -的A2 -古铁雷斯,佩德罗安东尼奥AU -杨,Haimin AU -潘,Zhisong AU -道,清PY - 2017 DA - 2017/12/17 TI -健壮和自适应在线时间序列预测长期短期记忆SP - 9478952六世- 2017 AB -在线时间序列预测是主流方法在广泛的领域,从语音分析和噪声取消股票市场分析。然而,数据常常包含许多异常值与真实世界的时间序列长度的增加。这些异常值可以误导如果视为正常点的学习模型预测的过程。为了解决这个问题,在本文中,我们提出一个健壮的和自适应在线梯度学习方法,RoAdam(健壮的亚当),长期短期记忆(LSTM)来预测时间序列异常值。这种方法曲调随机梯度算法的学习速率自适应预测的过程中,减少离群值的不利影响。它追踪的相对预测误差损失函数通过修改与加权平均亚当,一个受欢迎的随机梯度法算法训练神经网络。在我们的算法中,较大的值的相对预测误差对应于一个小的学习速率,反之亦然。实验合成数据和实际时间序列表明,我们的方法达到更好的性能比现有的方法基于LSTM。SN - 1687 - 5265 UR - https://doi.org/10.1155/2017/9478952 - 10.1155 / 2017/9478952摩根富林明计算智力和神经科学PB - Hindawi KW - ER