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.

An evolutionary attention-based deep long short-term memory for time series prediction

Longterm prediction of time series is an important but challenging issue. Today, deep networks, especially Long short Term Memory (LSTM) networks, have been successfully used to predict time series. The LSTM network is capable of maintaining longterm dependencies, but its ability to assign varying degrees of attention to sub window features over multiple time steps is not sufficient. Also, the performance of these networks depends heavily on their hyperparameters ​​and it is important to adopt an efficient method to ensure optimum values. In this study, to overcome the above challenges, an evolutionary attentionbased deep LSTM for predicting multivariate time series is recommended that automatically finds one of the best combinations of LSTM parameter values and sub window features. The proposed algorithm uses a genetic algorithm to properly adjust the deep LSTM network architecture. In order to evaluate the performance of the proposed algorithm, three data sets in the fields of energy and environment have been used. The experimental results show that the proposed algorithm performs better than other basic models.