共计 1411 个字符，预计需要花费 4 分钟才能阅读完成。
作者 | Prakhar Ganesh
编译 | 安然
来源 | 图灵 TOPIA
近日，发表在《DataScience》上的一篇文章，使用深度学习方法，从数据处理、循环网络、RNN 上的 LSTM、CNN-LSTMs 等方面介绍了时间序列分析，同时解释了时间序列的概念以及为什么选择深度学习的方法等问题。
什么是时间序列分析？
时间序列是一系列数据点，使用时间戳进行排序，是对时间序列数据的分析。
从水果的每日价格到电路提供的电压输出的读数，时间序列的范围非常大，时间序列分析的领域也是如此。分析时间序列数据通常侧重于预测，但也可以包括分类，聚类，异常检测等。
例如，通过研究过去的价格变化模式，可以尝试预测曾经想要购买的一款手表的价格，判断它的最佳购买时间！
为什么选择深度学习？
时间序列数据可能非常不稳定且复杂。深度学习方法不假设数据的基本模式，而且对噪声 (在时间序列数据中很常见) 的鲁棒性更强，是时间序列分析的首选方法。
数据处理
在继续进行预测之前，重要的是首先以数学模型可以理解的形式处理数据。通过使用滑动窗口切出数据点，可以将时间序列数据转换为监督学习问题。然后，每个滑动窗口的预期输出是窗口结束后的时间步长。
循环网络
循环网络一种复杂的深度学习网络。它们可以记住过去，因此是序列处理的首选。RNN 单元是循环网络的骨干。
RNN 单元具有 2 个传入连接，即输入和先前状态。同样，它们还具有 2 个传出连接，即输出和当前状态。这种状态有助于他们结合过去和当前输入的信息。
一个简单的 RNN 单元太简单了，无法统一用于跨多个域的时间序列分析。因此，多年来提出了各种各样的变体，以使循环网络适应各个领域，但核心思想保持不变！、
RNN 上的 LSTM
LSTM 单元格是特殊的 RNN 单元格，其中带有“门”，其本质上是介于 0 到 1 之间的值，对应于状态输入。这些门背后的直觉是忘记或保留过去的信息，这使他们不仅可以记住过去，还可以记住更多。
CNN-LSTMs
由于状态信息要经过每一个步长，所以 RNNs 只能记住最近的过去。
另一方面，像 LSTM 和 GRU 这样的门控网络可以处理相对较长的序列，但是即使这些网络也有其局限性！！为了更好地理解这一问题，还可以研究消失和爆炸的梯度。
那么如何处理很长的序列呢? 最明显的解决办法就是缩短它们!! 但如何? 一种方法是丢弃信号中呈现的细粒度时间信息。
这可以通过将一小组数据点累积在一起并从中创建特征来完成，然后将这些特征像单个数据点一样传递给 LSTM。
多尺度分层 LSTMs
看看 CNN-LSTM 架构，有一件事浮现在我的脑海中……为什么要使用 CNNs 来合并那些组? 为什么不使用不同的 LSTM 呢! 多尺度分层 LSTMs 是基于相同的思想构建的。
输入是在多个尺度上处理的，每个尺度都致力于做一些独特的事情。适用于更细粒度输入的较低标度专注于提供细粒度（但仅是最近的）时间信息。
另一方面，较高的比例集中在提供完整的图片（但没有细粒度的细节）上。多个刻度可以一起更好地理解时间序列。
下一步是什么？
时间序列分析是一个非常古老的领域，包含各种跨学科的问题，每种陈述问题都有其自身的挑战。
然而，尽管每个领域都根据自己的要求调整了模型，但是时间序列分析中仍然有一些一般性的研究方向需要加以改进。
例如，从最基本的 RNN 单元到多尺度分层 LSTM 的每项开发都以某种方式专注于处理更长的序列，但是即使最新的 LSTM 修改也有其自身的序列长度限制，并且目前仍然没有一种架构可以真正处理极长的序列。
