深度学习与时间序列

最近了解了下时间序列，接下来是混合神经网络应用于时间序列的案例
文章：《Hybrid Neural Networks for Learning the Trend in Time Series》

TreNet: 一种新颖的端到端混合神经网络，用于学习局部和全局背景特征，以预测时间序列的趋势。
使用长短记忆递归神经网络（RNN）LSTM来捕捉历史趋势序列中存在的长程依赖性。
CNN通常用于从原始数据中提取出显着性的特征，原始时间序列数据中提取特征以进行活动/动作识别
特征融合层将学习用于预测趋势的联合表示。
TreNet通过CNN，LSTM，CNN和LSTM的级联，基于隐马尔可夫模型的方法以及基于真实数据集的各种基于内核的基线来证明了TreNet的有效性。

时间序列是一系列按时间顺序排列的数据点，正在广泛的领域中生成，例如医学和生物实验观察，股票市场的日常波动，功耗记录，数据中心的性能监测等等。

基础表示：

数据点序列：

X上实际的趋势：