在当今数据驱动的时代，时间序列预测在金融、医疗和气象等领域发挥着关键作用，而深度学习作为人工智能领域的重要分支，为解决时间序列预测问题提供了强大的工具。

为了帮助大家深入理解深度学习时间序列预测，这里整理了10篇深度学习在时间序列预测领域的综述论文，这些综述不仅涵盖了深度学习在时间序列预测方面的最新进展，还深入探讨了其在金融、医疗、气象等领域的应用，一起看看吧！

1、深度学习应用于时序预测研究综述

Review of Deep Learning Applied to Time Series Prediction

简述：本文综述了时间序列预测技术，探讨了常见特性、数据集和评价指标，并通过实验对比分析了不同预测算法。特别关注了基于Transformer的模型，并讨论了深度学习在时间序列预测中的问题和挑战，展望了未来的研究趋势。

2、A survey on long short-term memory networks for time series prediction

长短期记忆网络在时间序列预测中的应用综述

简述：本文全面审视了现有的长短期记忆（LSTM）变种和时间序列预测网络架构，提出将LSTM分类为优化单元状态表示和增强单元状态互动的两种类型。研究采用了针对时间序列预测精度的标准进行评估，考察了短期和长期记忆能力、多模态和多步预测能力，以及误差传播情况。发现在众多方法中，部分条件化的序列到序列网络，例如双向网络和关联网络，在满足这些预测要求方面最为有效。

3、An Experimental Review on Deep Learning Architectures for Time Series Forecasting

面向时间序列预测的深度学习架构实验综述

简述：本文不仅全面审视利用深度学习做时间序列预测的最新进展，还通过实验研究比较流行的模型架构性能。研究人员深入分析了七种深度学习模型在不同设置下的准确性和效率，评估了 50,000 多个时间序列数据集上，建立的 38,000 多个模型的效果。研究结果显示，长短期记忆网络（LSTM）和卷积神经网络（CNN）最能胜任时间序列预测任务，其中LSTM的预测准确性最高，而CNN在多种配置下表现出较小的结果变异和更高的运算效率。

4、Time Series Forecasting With Deep Learning: A Survey

基于深度学习的时间序列预测：综述

简述：本文探讨了超前一步和多水平时间序列预测的编码器-解码器设计，并讲解了如何融合时间信息。研究人员还介绍了将传统统计模型与神经网络结合的混合深度学习模型及其最新进展，并简述深度学习在时间序列决策支持方面的潜力。

5、Deep learning models for price forecasting of financial time series: A  review of recent advancements: 2020-2022

用于金融时间序列价格预测的深度学习模型：最新进展回顾 2020-2022

简述：本文详细讨论了使用深度学习进行价格预测的模型，包括它们的结构、应用及优缺点，并重点分析了一些高级模型如Transformers、GANs、GNNs和DQNNs。文章还提出了未来研究方向，包括深度模型结构的有效性、从点预测到区间预测的扩展、集成方法的可靠性与效度评估，以及数据规模对模型表现的影响。

6、Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019

基于深度学习的金融时间序列预测：系统文献综述 2005-2019

简述：本文旨在提供金融时间序列预测中深度学习应用的全面文献回顾，文章不只把研究按预测的金融领域分类，比如指数和外汇市场，还按用的深度学习模型分类，比如CNNs、DBNs和LSTM。同时，研究人员也讨论了这个领域面临的挑战和未来的机会。

7、深度学习在天气预报领域的应用分析及研究进展综述

Survey of semantics-based location privacy protection

简述：本文综述了深度学习在气象预报领域的应用和研究进展，对比了深度学习问题与经典问题，回顾了发展历程和现状，并展望了未来的研究方向，为该领域的研究提供参考。

8、Time Series Prediction using Deep Learning Methods in Healthcare

在医疗保健中使用深度学习方法进行时间序列预测

简述：本文系统回顾了利用患者结构化时间序列数据进行医疗保健预测任务的深度神经网络研究进展。通过检索数字图书馆的相关出版物，发现深度时间序列预测领域主要集中在十大研究方向：深度学习模型、处理缺失值、时间不规则性、患者表示、整合静态数据、注意力机制、模型解释、医疗本体整合、学习策略和模型可扩展性。研究人员总结了这些领域的关键发现，指出了研究空白，并展望了将来使用时间序列数据的深度学习研究方向。

9、Neural Network Techniques for Time Series Prediction: A Review

用于时间序列预测的神经网络技术：综述

简述：本文概述了神经网络在物理时间序列预测中的应用，其中重点介绍了高阶神经网络（HONN）。HONN能够进行输入输出的非线性映射，因此相较于传统的神经网络，它在处理时间序列问题上显示出优越性。

10、Chaotic Time Series Forecasting Approaches Using Machine Learning Techniques: A Review

基于机器学习技术的混沌时间序列预测方法：综述

简述：本文回顾了利用各种机器学习技术进行混沌时间序列预测的主要研究，尤其关注了卷积神经网络（CNN）、小波神经网络（WNN）、模糊神经网络（FNN）和长短期记忆（LSTM）。研究人员总结了这些方法的关键研究成果，并讨论了它们各自存在的问题，还提供了对单一预测方法的评估，总结了相关工作的关键信息，并探讨了未来的改进方向和研究局限性。

码字不易，欢迎大家点赞评论收藏！

关注下方《享享学AI》

回复【深度学习时间序列预测】获取完整论文

👇