The paper proposes a hybrid forecasting model for time series data that combines the autoregressive integrated moving average ARIMA model and the long short-term memory LSTM model with an attention me

该论文提出了一种混合预测模型，用于时间序列数据，结合了自回归积分移动平均（ARIMA）模型和带有注意力机制的长短期记忆（LSTM）模型。该模型旨在克服传统ARIMA模型在捕捉长期依赖关系方面的局限性和LSTM模型在处理季节性模式方面的局限性。混合模型包括两个阶段：ARIMA阶段和LSTM阶段。在ARIMA阶段，模型经过训练以捕捉时间序列数据的总体趋势和季节性。在LSTM阶段，模型经过训练以捕捉来自ARIMA阶段的残差误差和数据中的长期依赖关系。然后，在LSTM阶段应用注意力机制来强调数据中的重要特征。该论文在六个实际时间序列数据集上对该模型进行了评估，并与其他最先进的模型进行了比较。结果显示，混合模型在预测准确性和稳定性方面优于其他模型。作者得出结论，建议的混合模型可以有效地捕捉时间序列数据中的短期和长期依赖关系，使其成为预测应用的一种有前途的方法。