Early Churn Prediction from Large Scale User-Product Interaction Time Series
Dream11
本文将用户流失预测建模为多变量时间序列分类，提出结合用户活动数据与深度神经网络的方法，以减少复杂特征工程并实现大规模早期流失预测。
2023-09-25 cs.AI cs.LG
CONDA-PM -- A Systematic Review and Framework for Concept Drift Analysis in Process Mining
Institute for Databases and Information Systems, Ulm University（乌尔姆大学数据库与信息系统研究所）；Faculty of Computers and Information, Mansoura University（曼苏拉大学计算机与信息学院）；Faculty of Media Engineering and Technology, German University in Cairo（开罗德国大学媒体工程与技术学院）
业务流程随着时间的推移而发展，以适应不断变化的业务环境。这需要持续监控业务流程，以了解它们是否符合预期设计或偏离预期设计。当业务流程在分析过程中发生变化时，这种情况被称为概念漂移。它的分析涉及研究业务流程如何变化，检测和定位变化并研究后者的影响。概念漂移分析是至关重要的，使早期检测和管理的变化，也就是说，是否促进变化，成为一个改进的过程的一部分，或拒绝变化，并作出决定，以减轻其影响。尽管它的重要性，目前还没有一个全面的框架来分析概念漂移类型，受影响的过程的角度来看，和粒度级别的业务流程。本文提出了流程挖掘中的概念漂移分析（CONDA-PM）框架，描述了概念漂移分析方法的阶段和要求。CONDA-PM源自对分析概念漂移的当前方法的系统性文献综述（SLR）。我们将CONDA-PM框架应用于当前的概念漂移分析方法，并评估其成熟度。应用CONDA-PM框架突出了需要研究以补充现有努力的领域。
2020-09-08 cs.AI cs.LG cs.SE
Predicting class-imbalanced business risk using resampling, regularization, and model ensembling algorithms
Kennesaw State University（肯尼索州立大学）
我们的目标是开发和改进不平衡的业务风险建模，通过联合使用适当的评估标准，重新分配，交叉验证，分类器正则化，和集成技术。基于10倍交叉验证，使用受试者工作特征曲线下面积（ROC的AUC）进行模型比较。采用了两种欠采样策略：随机欠采样（RUS）和聚类质心欠采样（CCUS），以及两种过采样方法：随机过采样（ROS）和合成少数过采样技术（SMOTE）。三个高度可解释的分类器，包括逻辑斯谛回归没有正则化（LR），L1正则化LR（L1 LR），和决策树（DT）的实现。两个集成技术，包括Bagging和Boosting，被应用在DT分类器上以进一步改进模型。实验结果表明，基于SMOTE的50%阳性过采样数据的Boosting是最优的DT模型，其AUC、召回率和F1得分分别为0.8633、0.9260和0.8907。
2019-03-13 cs.LG stat.ML
Predicting Yelp Star Reviews Based on Network Structure with Deep Learning
Stanford University（斯坦福大学）
在本文中，我们解决了基于业务特征（如图像，描述），用户特征（平均以前的评级），以及特别感兴趣的网络属性（企业之前有用户评级）预测Yelp星级评价评级的现实问题。我们比较了不同特征集的多个模型-从仅针对网络特征的简单线性回归到针对网络和项目特征的深度学习模型。近年来，深度学习的突破提高了常见监督学习任务的准确性，例如图像分类、字幕和语言理解。然而，将深度学习与网络特征和结构相结合的想法似乎是新颖的。虽然预测网络中未来交互的问题已经被详细研究过，但这些方法往往忽略了特定于节点的数据或全局结构。我们证明，采取混合的方法结合节点级功能和网络信息可以有效地用于预测Yelp评论星级。我们在Yelp数据集上进行评估，方法是沿着时间维度分割我们的数据（在现实世界中自然会发生），并将我们的模型与其他没有利用网络结构和/或深度学习的模型进行比较。
2017-12-11 cs.LG stat.ML
LSTM Networks for Data-Aware Remaining Time Prediction of Business Process Instances
University of Padova（帕多瓦大学）
当在服务级别协议约束下管理流程时，预测业务流程实例的完成时间将非常有用。提前了解运行流程实例的趋势的能力将允许业务经理及时做出反应，以防止延迟或不希望的情况。然而，做出如此准确的预测并不容易：许多因素可能会影响完成流程实例所需的时间。在本文中，我们提出了一种基于深度递归神经网络（特别是LSTM）的方法，该方法能够利用与单个事件相关的任意信息，以便尽可能准确地预测运行实例的完成时间。在真实世界数据集上的实验证实了我们的建议的质量。
2017-11-10 cs.LG stat.ML
A Blended Deep Learning Approach for Predicting User Intended Actions
New Jersey Institute of Technology（新泽西理工学院）；Adobe Systems Inc.（奥多比系统公司）
用户预期的操作在许多领域都很常见。预测这些行动并采取积极措施优化业务成果是维持业务稳定增长的关键一步。在这项工作中，我们专注于预测磨损，这是一个典型的用户预期的行动。传统的磨损预测建模策略存在一些固有的缺点。为了克服这些限制，我们提出了一种新的端到端学习方案，以跟踪预测建模的磨损模式的演变。它集成了用户活动日志，动态和静态的用户简档基于多路径学习。它通过建立一种衰减多快照技术来利用历史用户记录。最后通过引导用户进入后续的学习过程来利用先前的用户意图。因此，它解决了传统方法的所有缺点。我们在Adobe Creative Cloud提供的两个公共数据存储库和一个私人用户使用数据集上评估了我们的方法。大量的实验表明，它可以提供有吸引力的性能与现有的几种方法相比，由不同的流行的度量。此外，我们引入了一个先进的解释和可视化策略，以有效地表征用户活动日志的周期性。它可以帮助确定对用户流失和保留至关重要的重要因素，从而为业务实践提出可操作的改进目标。我们的工作也将为预测和阐明其他用户预期的操作提供有用的见解。
2018-10-11 cs.HC cs.LG stat.ML
Applications of Machine Learning to Modelling and Analysing Dynamical Systems
St. Stephen’s College（圣斯蒂芬学院）；University of Delhi（德里大学）
本文提出可适应辛递归神经网络和结合Takens嵌入定理的LSTM-辛网络架构，在部分信息条件下高精度、结构保持地预测哈密顿动力系统动力学。
2023-07-22 cs.LG
Team ÚFAL at CMCL 2022 Shared Task: Figuring out the correct recipe for predicting Eye-Tracking features using Pretrained Language Models
Charles University（查理大学）；Faculty Of Mathematics and Physics（数学与物理学院）
眼动追踪数据是研究人类认知，特别是语言理解的一个非常有用的信息来源。在本文中，我们描述了我们的系统CMCL 2022共享任务预测眼动追踪信息。我们描述了我们使用预训练模型（如BERT和XLM）进行的实验，以及我们使用这些表示来预测四个眼动追踪特征的不同方式。除了分析使用两种不同类型的预训练多语言语言模型和不同的池化标记级表示的方法的效果外，我们还探讨了上下文信息如何影响系统的性能。最后，我们还探讨了增加语言信息等因素是否会影响预测。我们提交的作品平均MAE为5.72，在共享任务中排名第五。平均MAE在任务后评价中进一步降低至5.25。
2022-04-11 cs.CL cs.LG
Explainable Predictive Process Monitoring
myInvenio（myInvenio 公司）；University of Padua（帕多瓦大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
预测性业务流程监控正在成为组织的重要辅助工具，为其流程提供在线运营支持。本文解决的基本问题，装备预测业务流程监控与解释能力，以便不仅是什么，而且为什么预测通用KPI时，如剩余时间，或活动执行报告。我们使用Shapley值的博弈论来获得对预测的有力解释。该方法已被实施和测试在现实生活中的基准，第一次显示如何解释可以在预测业务流程监测领域。
2020-09-16 cs.LG stat.ML
CATS: Clustering-Aggregated and Time Series for Business Customer Purchase Intention Prediction
South China Agricultural University（华南农业大学）；Wens Foodstuff Group Co., Ltd.（文思食品集团有限公司）
针对客户购买行为的头重脚轻分布导致传统时间序列预测效果受限的问题，本文提出结合聚类、注意力机制与GRU的CAGRU模型，分客户群训练以预测复购意愿，经多数据集实验验证了其优越性。
2025-05-19 cs.LG econ.EM econ.GN
Predictive Business Process Monitoring with LSTM Neural Networks
Eindhoven University of Technology（埃因霍温理工大学）；Queensland University of Technology（昆士兰科技大学）；University of Tartu（塔尔图大学）
预测性业务过程监视方法利用过程的已完成案例的日志，以便对其运行案例进行预测。该领域的现有方法是为特定的预测任务量身定制的。此外，它们的相对准确性对手头的数据集高度敏感，因此需要用户在特定设置中应用它们时进行试错和调整。本文研究了长短期记忆（LSTM）神经网络，作为一种为各种预测过程监控任务构建一致准确模型的方法。首先，我们证明了LSTM在预测运行案例的下一个事件及其时间戳方面优于现有技术。接下来，我们将展示如何使用模型来预测下一个任务，以预测运行案例的完整延续。最后，我们应用相同的方法来预测剩余时间，并表明这种方法优于现有的定制方法。
2017-05-16 cs.DB cs.LG cs.NE
Enhancing the Accuracy of Predictors of Activity Sequences of Business Processes
University of Tartu（塔尔图大学）
针对业务流程案例后缀预测中活动异常重复的问题，提出 Daemon action 采样方法以平衡探索与利用，并增强深度学习模型，提升控制流预测准确性。
2023-12-09 cs.LG
Predicting travel demand of a bike sharing system using graph convolutional neural networks
School of Civil Engineering, KNTU（KNTU土木工程学院）
本研究针对共享单车系统站点级出行需求预测问题，提出融合多源数据的门控图卷积神经网络混合模型，经芝加哥案例验证性能优于基准模型，可辅助交通规划决策。
2024-08-18 cs.LG
Predicting Multiple Demographic Attributes with Task Specific Embedding Transformation and Attention Network
Korea University（高丽大学）
大多数公司利用人口统计信息来制定市场战略。然而，大多数零售公司都无法获得这些信息。已经进行了几项研究来根据用户的交易历史来预测用户的人口统计属性，但它们存在一些局限性。首先，他们专注于参数共享来预测所有属性，但捕获特定于任务的特征在多任务学习中也很重要。其次，他们假设所有交易在预测人口统计属性方面都同样重要。然而，对于预测某个属性，某些事务比其他事务更有用。此外，模型的决策过程不能被解释为它们以黑箱方式工作。为了解决这些局限性，我们提出了一个带有注意力的嵌入转换网络（ETNA）模型，该模型在模型结构的底部共享表示，并使用简单的线性转换方法将它们转换为特定于任务的表示。此外，我们可以获得更多的信息交易预测某些属性使用注意力机制。实验结果表明，我们的模型优于以前的模型在所有的任务。在我们的定性分析中，我们展示了注意力权重的可视化，这为企业管理者提供了一些有用的见解。
2019-03-25 cs.LG stat.ML
Providing an Approach to Predicting Customer Quality in E-Commerce Social Networks Based on Big Data and Unsupervised Learning Method
University of Tehran（德黑兰大学）
每个企业的目标之一是提高客户忠诚度。顾客忠诚度被称为顾客质量，顾客质量的预测将直接影响到营销策略的实施。本研究的目的是通过大数据算法和无监督学习来预测大型电子商业社交网络的客户质量。为此，基于图的社会网络分析框架被用于斯坦福网络分析平台（SNAP）中的社区发现。然后，在发现的社区，客户的质量进行了预测。结果表明，各种访问对顾客质量的影响最大，影响率为37.13%，其他参数的影响程度由高到低依次为：频繁客户访问次数（28.56%）、在社交网络中的角色（28.37%）、间接交易（26.74%）、活动天数（25.62%）和客户社交网络规模（25.06%）。
2021-09-05 cs.LG cs.SI
Predicting Fuel Consumption in Power Generation Plants using Machine Learning and Neural Networks
African Institute for Mathematical Sciences (AIMS), Limbe, Cameroon（非洲数学科学研究所（AIMS），林贝，喀麦隆）
来自国家电网的发电的不稳定性已经导致工业（例如，电信）依靠工厂发电机来运行其业务。然而，这些二次发电机带来了额外的挑战，例如系统内外的燃料泄漏以及燃料液位计的扰动。因此，电信运营商一直需要燃料来供应柴油发电机。随着社会经济因素导致的燃油价格上涨，燃油过度消耗和燃油盗窃成为一个问题，影响了网络公司的顺利运行。在这项工作中，我们比较了四种机器学习算法（即梯度提升，随机森林，神经网络和Lasso）来预测发电厂消耗的燃料量。在评估这些模型的预测精度后，梯度提升模型的表现优于其他三个回归模型，最高的纳什效率值为99.1%。
2022-02-11 cs.LG
A Generalized Flow for B2B Sales Predictive Modeling: An Azure Machine Learning Approach
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
预测销售机会的结果是成功的企业管理的核心部分。传统上，做出这种预测主要依赖于销售决策过程中的主观人类评估。在本文中，我们通过在基于云的计算平台上提出一个全面的数据驱动的机器学习（ML）工作流来解决预测企业对企业（B2B）销售结果的问题：Microsoft Azure机器学习服务（Azure ML）。此工作流由两个管道组成：（1）ML管道，用于根据历史销售机会数据训练概率预测模型。在该管道中，数据通过广泛的特征增强步骤来丰富，然后用于并行训练ML分类模型的集合。(2)一个预测管道，利用训练的ML模型，推断赢得新销售机会的可能性，并计算最佳决策边界。建议的工作流程的有效性进行了评估的一个主要的全球B2B咨询公司的真实销售数据集。我们的研究结果表明，基于ML预测的决策更准确，并带来更高的货币价值。
2020-07-03 cs.LG stat.ML
Log Optimization Simplification Method for Predicting Remaining Time
College of Computer Science and Technology, Huaqiao University（华侨大学计算机科学与技术学院）；Jiangsu Branch, Agricultural Bank of China（中国农业银行江苏省分行）
本文针对事件日志中低价值冗余信息影响剩余时间预测精度的问题，提出一种预测点选择算法，通过选择序列或自循环结构构成可简化片段并优化偏差以防止过度简化，实验证明简化后日志能保持甚至提升预测性能。
2025-03-10 cs.LG
CrunchLLM: Multitask LLMs for Structured Business Reasoning and Outcome Prediction
Department of Computer Science University of Kentucky（计算机科学系 俄亥俄大学）；Department of Computer Science, Institute for Biomedical Informatics University of Kentucky（计算机科学系 生物医学信息学研究所 俄亥俄大学）
提出CrunchLLM框架，通过融合结构化与非结构化数据并采用参数高效微调与提示优化，在Crunchbase初创企业成功预测中准确率超80%，并提供可解释的推理轨迹以增强决策透明度。
2025-10-11 cs.CV cs.LG
The value of text for small business default prediction: A deep learning approach
University of Southampton（南安普顿大学）；The University of Western Ontario（西安大略大学）
与消费者贷款相比，微型、小型和中型企业（mSME）的信贷风险建模尤其具有挑战性，因为通常无法获得相同的信息来源。因此，信贷员提供文本贷款评估以缓解有限的数据可用性是标准策略。反过来，这份声明是由信用专家分析与任何可用的标准信用数据。在我们的论文中，我们利用深度学习和自然语言处理（NLP）领域的最新进展，包括BERT（来自Transformers的双向编码器表示）模型，从贷方提供的60000个文本评估中提取信息。我们考虑的性能方面的AUC（接收器工作特征曲线下的面积）和Brier评分指标，发现单独的文本是令人惊讶的有效预测默认。然而，当与传统数据相结合时，它不会产生额外的预测能力，性能取决于文本的长度。然而，我们提出的深度学习模型似乎对文本的质量具有鲁棒性，因此适用于部分自动化mSME贷款过程。我们还展示了贷款评估的内容如何影响业绩，导致我们一系列的建议，一个新的战略，收集未来的微型中小企业贷款评估。
2021-07-07 cs.CL cs.LG
An Explainable AI Model for Predicting the Recurrence of Differentiated Thyroid Cancer
Al-Ahliyya Amman University（安曼阿赫利耶大学）
本研究提出一种结合深度学习与LIME、Morris敏感性分析的可解释AI模型，用于预测分化型甲状腺癌复发，训练和测试准确率分别达98%和96%，旨在支持个性化治疗决策。
2024-10-13 cs.LG stat.AP
An empirical comparison of deep-neural-network architectures for next activity prediction using context-enriched process event logs
Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校）；University of Münster（明斯特大学）；Vienna University of Economics and Business（维也纳经济大学）
研究人员已经提出了各种预测业务流程监控（PBPM）技术，旨在预测未来的过程中执行过程中的行为。特别是，下一个活动的预测技术预计在改善业务流程的运营潜力很大。为了获得更准确的预测，这些技术中有很多依赖于深度神经网络（DNN），并考虑有关进程运行的上下文的信息。然而，在PBPM文献中缺少对这些技术的深入比较，这使得研究人员和从业人员无法为给定的事件日志选择最佳解决方案。为了解决这个问题，我们根据经验评估了三种有前途的DNN架构的预测质量，结合了五种经过验证的编码技术，并基于五种上下文丰富的真实事件日志。我们提供了四个研究结果，可以支持研究人员和从业人员在设计新的PBPM技术预测下一个活动。
2020-05-03 cs.LG
A deep learning approach to real-time parking occupancy prediction in spatio-temporal networks incorporating multiple spatio-temporal data sources
Carnegie Mellon University（卡内基梅隆大学）
应用深度学习模型来实时的预测街区级停车占用率。该模型利用图-卷积神经网络（GCNN）提取大规模网络中交通流的空间关系，利用具有长短期记忆（LSTM）的递归神经网络（RNN）提取时间特征。此外，该模型能够将多个异构结构的交通数据源作为输入，例如停车计时器交易、交通速度和天气状况。通过匹兹堡市中心的案例研究，模型的性能进行了评估。在提前30分钟预测街区级停车占用率时，该模型的平均测试MAPE为10.6%，优于多层LSTM和Lasso等其他基线方法。案例研究还表明，在一般情况下，预测模型的工作更好地为商业区比休闲场所。我们发现，将交通速度和天气信息可以显着提高预测性能。天气数据对于提高娱乐区的预测准确性特别有用。
2019-05-11 cs.LG stat.ML
AutoCluster, AutoTopicModeling, AutoTrendAnalysis: A Complete AutoML Pipeline for Predicting Emerging Trends
German University in Cairo（开罗德国大学）
本文提出基于AutoML的趋势预测框架，通过自动聚类、主题建模和时间序列预测，从含时间属性的文本数据中提取见解，提高趋势预测准确性，减少人工，为实时应用等提供可扩展且用户友好的方案，最佳试验RMSE达7.099。
2026-07-28 cs.AI cs.DL cs.LG
A Deep Learning System for Predicting Size and Fit in Fashion E-Commerce
Zalando Research（Zalando研究院）；Shopify；Zalando SE；OLX Berlin（OLX柏林）
个性化的尺码和合身推荐对于任何时尚电子商业平台都具有至关重要的意义。预测正确的配合可以提高客户满意度，并通过降低因尺寸相关退货而产生的成本来使业务受益。传统的协同过滤算法寻求根据客户之前的订单来建模客户偏好。这种方法的一个典型挑战来自于客户订单的极度稀疏。为了缓解这个问题，我们提出了一个基于深度学习的内容协作方法，用于个性化的尺寸和适合的推荐。我们提出的方法可以摄取任意的客户和文章数据，并可以在单个帐户后面对多个人或意图进行建模。该方法优化了一组全局参数，以学习人口级别的抽象的大小和适合相关信息，从观察到的客户物品的相互作用。它进一步采用客户和产品特定的嵌入变量来学习它们的属性。与学习的实体嵌入一起，该方法将额外的客户和物品属性映射到潜在空间中以获得个性化推荐。我们的方法应用到两个公开的数据集证明了对最先进的已发表结果的改进。在两个专有数据集上，一个包含来自时尚专家的合身反馈，另一个涉及客户购买，我们的表现进一步优于可比方法，包括最近的贝叶斯尺码推荐方法。
2019-07-23 cs.LG stat.ML
Performing Highly Accurate Predictions Through Convolutional Networks for Actual Telecommunication Challenges
WiseAthena
我们研究了深度学习的应用，特别是使用GPU训练的卷积网络，如何帮助在电信业务环境中构建更好的预测模型，并填补这一空白。特别是，我们专注于在电信运营商的客户流失预测的非平凡问题。我们的模型称为WiseNet，由卷积网络和一种新颖的编码方法组成，该方法将客户活动数据和呼叫详细记录（CDR）转换为图像。使用几个机器学习分类器的实验评估支持WiseNet在使用结构化输入数据时学习特征的能力。对于这种类型的电信业务问题，我们发现WiseNet优于具有手工特征的机器学习模型，并且不需要特征工程的劳动密集型步骤。此外，同样的模式在没有重新培训的情况下适用于不同的市场，取得了一致的结果。这证实了WiseNet的泛化特性和提取有用表示的能力。
2016-07-14 cs.CV cs.LG
Predicting sepsis in multi-site, multi-national intensive care cohorts using deep learning
ETH Zurich（苏黎世联邦理工学院）；SIB Swiss Institute of Bioinformatics（SIB瑞士生物信息学研究所）
尽管经过数十年的临床研究，脓毒症仍然是一种全球性的公共卫生危机，具有高死亡率和发病率。目前，当检测到败血症并确定潜在病原体时，器官损伤可能已经进展到不可逆阶段。因此，有效的脓毒症管理具有高度的时间敏感性。通过系统地分析重症监护室（ICU）中可用的大量临床数据的趋势，脓毒症的早期预测可以导致更早的病原体识别，耐药性测试以及有效的抗生素和支持性治疗，从而成为挽救生命的措施。在这里，我们开发并验证了一个机器学习（ML）系统，用于预测ICU中的脓毒症。我们的分析代表了迄今为止使用ML预测脓毒症的最大的多国，多中心ICU研究。我们的数据集包含$156,309$独特的ICU入院，代表了来自三个国家的五个大型ICU数据库的一个精炼和协调的子集。使用国际共识定义脓毒症-3，我们推导出每小时消退的脓毒症标签注释，相当于$26,734$（$17.1\%$）脓毒症停留。我们将我们的方法（深度自我注意力模型）与几个临床基线以及ML基线进行了比较，并在数据库内部和跨数据库进行了广泛的内部和外部验证。平均而言，我们的模型能够预测脓毒症，AUROC为$0.847 \pm 0.050$（内部样本外验证）和$0.761 \pm 0.052$（外部验证）。对于$17\%$的协调患病率，在$80\%$召回时，我们的模型提前3.7小时检测到具有$39\%$精度的脓毒症患者。
2021-07-12 cs.LG
Predicting Next Useful Location With Context-Awareness: The State-Of-The-Art
Deakin University（迪肯大学）；Coventry University（考文垂大学）；Swansea University（斯旺西大学）
本文综述了基于上下文感知的下一个有用位置预测问题，系统分析了近三十项研究的方法、挑战、数据集与上下文类型，并指出未来研究方向。
2024-01-16 cs.LG cs.SI
What Averages Do Not Tell -- Predicting Real Life Processes with Sequential Deep Learning
Eindhoven University of Technology（埃因霍温理工大学）
深度学习被证明是一种有效的建模工具，如自然语言，计算机视觉和信号处理的成功所示。流程挖掘涉及从支持信息系统记录的业务流程执行数据中发现有关业务流程的见解。记录的数据（事件日志）由对应于进程执行的事件序列（跟踪）组成。许多深度学习技术已经成功地适用于预测流程挖掘，旨在预测流程结果，剩余时间，下一个事件，甚至是运行轨迹的后缀。流程挖掘中的痕迹是多模态序列，其结构与自然语言句子或图像非常不同。这可能需要不同的处理方法。到目前为止，对这些差异和所带来的挑战关注甚少。将后缀预测视为这些任务中最具挑战性的任务，深度学习模型的性能仅在平均测量和少量真实事件日志中进行评估。由于不同的预处理和评价策略，比较论文之间的结果是困难的。可能相关的挑战是跟踪长度分布的偏斜度和真实事件日志中活动分布的偏斜度。我们提供了一个端到端的框架，使七个国家的最先进的顺序架构在常见的设置的性能进行比较。结果表明，对于大多数更复杂的数据集，序列建模仍然有很大的改进空间。需要进一步的研究和见解，以获得一致的性能，不仅在平均措施，而且在所有前缀。
2021-10-31 cs.LG
Predicting Stock Market Time-Series Data using CNN-LSTM Neural Network Model
Madras Institute of Technology（马德拉斯理工学院）
针对股票价格不断变化导致预测困难的问题，提出CNN-LSTM神经网络模型，通过CNN提取股票数据特征并转为张量后交由LSTM识别模式，实验证明该模型在实时数据训练下仍保持高准确率。
2023-05-21 cs.LG q-fin.ST
