.png){kind=icon}
返回
Functional recurrent neural network for vector-on-functional data modeling
.png){kind=icon}
PRE
AI
DOI：10.1080/02331888.2026.2645115.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，函数神经网络（FNNs）已被广泛用于建模独立同分布（i.i.d.）函数数据。然而，函数时间序列通常在观测值之间表现出强烈的时序依赖性。现有方法通常将序列的若干滞后项作为输入来构建FNN模型，但这一策略未能充分挖掘历史信息。为了有效捕捉向量（或标量）响应与函数时间序列之间的潜在非线性、动态和时序依赖关系，我们提出了三种将循环神经网络与函数数据特征相结合的新框架：函数循环神经网络（FRNN）、函数长短期记忆网络（FLSTM）和函数门控循环单元（FGRU）。与将函数数据离散化为高维向量的传统方法不同，我们的方法直接处理函数对象，从而保留其固有结构并更有效地建模时序依赖性。这一设计缓解了高维度和变量间相关性带来的不利影响。广泛的模拟研究和实际应用表明，所提出的方法在建模函数时间序列内的依赖关系和提升预测精度方面均取得了显著改进。
Keyword:
FGRU
FLSTM
FRNN
vector-on-functional data model
