یک شبکه حافظه طولانی کوتاه مدت عمیق مبتنی بر توجه تکاملی برای پیش بینی سری های زمانی

پیش بینی طولانی مدت سری های زمانی یک مسیله، مهم و چالش برانگیز است. امروزه شبکه های عمیق به خصوص شبکه های حافظه طولانی کوتاه مدت  (LSTM)، با موفقیت در پیش بینی سری های زمانی به کار گرفته شده اند. شبکه های LSTM وابستگی های طولانی مدت را حفظ می کنند؛ اما توانایی آنها در اختصاص درجه های مختلف توجه به ویژگی های زیر پنجره در چند مرحله زمانی کافی نیست. همچنین، عملکرد این شبکه ها به شدت به مقادیر ابرپارامتر آنها بستگی دارد و اتخاذ یک روش کارآمد برای کسب مقادیر مطلوب، مهم است. در این پژوهش برای غلبه بر چالش های فوق، LSTM عمیق مبتنی بر توجه تکاملی برای پیش بینی سری های زمانی چندمتغیره توصیه می شود که به طور خودکار، یکی از بهترین ترکیب ها از مقادیر پارامترهای LSTM و وزن توجه به ویژگی ها را می یابد. راه حل پیشنهادی از الگوریتم ژنتیک برای تنظیم مناسب معماری شبکه LSTM عمیق بهره می گیرد. به منظور ارزیابی عملکرد الگوریتم پیشنهادی، از سه مجموعه داده در زمینه های انرژی و محیط زیست بهره گرفته شده است. نتایج آزمایشی نشان می دهند الگوریتم پیشنهادی، در مقایسه با سایر مدل های پایه، بهتر عمل می کند.