LSTM时间序列预测的机制性解释与多模型基准对比研究

《Scientific Reports》：Evaluating the performance of long short-term memory to other time series models for univariate and multivariate data

　　

摘要

时间序列数据分析是实际数据问题中最具挑战性的任务之一，因为其数据实体不仅由物理成因决定，还受其发生时间顺序的影响。在本研究中，我们考察了长短期记忆网络（LSTM）模型在单变量和多变量时间序列单步预测任务中相对于传统统计方法及其他机器学习模型的表现优势。我们还研究了在多种情形下LSTM模型中记忆单元和门控结构的工作机制，以展示LSTM相较于其他时间序列分析工具的进步。本工作的关键贡献在于方法论和经验层面，而非架构创新。具体而言，本研究（i）提供了对LSTM门控机制和记忆动态的机制性、架构级解释，阐明了其时序学习行为，这与事后解释性人工智能（XAI）的特征归因技术不同；（ii）建立了一个基准测试框架，在相同的实验设置下，基于真实世界环境数据集，将LSTM与统计模型、机器学习模型、专用预测Transformer架构（PatchTST）以及基线Transformer进行了对比评估。实验结果表明，在特定情境的经验证据下，LSTM模型表现出比所考虑基线模型更为稳定和一致的性能。跨区域验证进一步显示，所观察到的性能趋势在两个数据集上均保持基本一致，表明LSTM的优势并非仅归因于单一区域的局部特征。研究结果作为特定情境的经验证据呈现，而非声称模型具有普遍优越性，并为数据受限环境条件下的预测提供了实用洞察。