2019年第1期
71计算机应用技术
信息技术与信息化
基于深度学习的时间序列算法综述
A Survey of Time Series Algorithms Based on Deep Learning
沈旭东* **SHEN Xu-dong
摘 要 绝大多数基于机器学习的时间序列分析方法都是人工专家提取特征后进行分析，随着深度学习的快速发
展，端到端的方式在时间序列分析领域的应用越来越多，同时整体的方法也变得更加成熟。因此，本文对近年来基于深度学习的时间序列分析方法进行讨论，从应用，网络架构以及思想等方面总结了最新的时间序列预测、分类以及异常检测等任务的深度学习方法，为了解时间序列深度学习解决方案的技术以及发展趋势提供了参考。
关键词 时间序列；深度学习；预测；分类；异常检测
Abstract Most of the time series analysis methods based on machine learning are analyzed by artificial experts. With the rapid development of deep learning, the end-to-end method is applied more and more in the field of time series analysis, and the overall method is also Become more mature. Therefore, this paper discusses the method of time series analysis based on deep learning in recent years, and summarizes the latest deep learning methods of time series prediction, classification and anomaly detection from the aspects of application, network architecture and ideas, in order to understand the depth of time series. The technology and development trends of learning solutions provide a reference.
Key words Time Series, Deep Learning, Review，Predict, Classfication, Anomaly Detection
doi：10.3969/j.issn.1672-9528.2019.01.021
* 同济大学计算机科学与技术系 上海 200092
** 同济大学嵌入式系统与服务计算教育部重点实验室 上海 200092
近年来，随着人工神经网络(Artificial Neural Networks， ANN)的飞速发展，不管是学术界还是工业界都通过它解决了大量的实际问题，比如机器人处理[1],物体识别[2],语音和手写字体识别[3]以及同声翻译[4]等。人工神经网络是由大量的处理单元互联组成的非线性，自适应信息处理系统。它是在现代神经科学研究基础成果上提出的，试图模拟大脑神经网络处理和记忆信息的方式进行信息处理。在传统的机器学习算法中，往往是通过人工提取特征的方式进行模型训练，这就需要有经验的工程师设计特征提取器。但针对自然数据（natural data），例如一张原始的RGB 图像，传统机器学习算法无法很好地处理这类自然数据，同时纯人工也无法提取有用的或者足够的特征。而深度学习允许由多个处理层组成的计算模型来学习具有多个抽象级别的数据表
示。这些方法极大地改善了语音识别，视觉对象识别，物体检测以及药物发现和基因组学等许多其他领域的最新技术。深度学习通过使用反向传播算法来指示机器应如何更改其内部参数（用于从前一层中的表示计算每层中的表示）来发现大数据集中的复杂结构。深度卷积网络在处理图像，视频，语音和音频方面带来了突破，而循环神经网络网络则在文本和语音等包含顺序的数据分析任务中计算能力得到了彰显。
从零售行业的销量预测到股票市场的价格波动，从音频信号的记录到睡眠监测，考虑到时间维度的概念，当把这些数据全部收集到一起的时候，观测结果便构成了所谓的时间序列。可以发现在现实世界中存在着大量的时间序列数据。这些数据涉及不同的领域，包含不同的分析价值：比如医生更想了解到患者睡眠模式的异常，而经济学家更感兴趣的是预测股票市场的趋势。针对这些不同的时间序列问题通过一系列不同的方法得到解决，可总结为分类，
异常检测和预测[5]。
文章余下部分结构如下：第一节给出时间序列分析的定