1. 研究目的与意义（文献综述）
1.1课题研究的目的及意义
时间序列是一系列的数据点在时间上顺序索引（或列出的或绘制）。最常见的是，时间序列是在连续的等间隔时间点上获取的序列。因此，它是一系列离散时间数据。时间序列用于统计、信号处理、模式识别、数学金融、天气预报，并且在涉及时间测量的应用科学和工程的任何领域都广泛使用。时间序列预测(time series forecasting,tsf)是使用模型根据先前观察到的值预测未来值。因为时间序列的数据复杂、维度各不相同、存在不相关和冗余的时序特点，这使时间序列预测变得十分复杂和困难。
时间序列预测模型分为两类。一是基于随机过程理论和数理统计的传统模型。二是基于神经网络。传统模型通常使用预先定义好的线性或非线性模型，然后根据输入数据动态调整模型的参数。神经网络的结构是不固定的，可以根据输入数据灵活地探索线性或非线性特征，并学习适当的函数映射。而基于神经网络的深度学习类方法被用来解决传统预测方法的局限性，比如耗时长、过于复杂。
2. 研究的基本内容与方案
2.1 研究的基本内容、目标
长短时记忆循环神经网络(lstm)在图像识别、语音处理、自然语言上的成功，让lstm进入更多领域的视野。近年，lstm中在时间序列上的研究也不断涌现，对lstm的改进成为当下研究热点。本文的主要内容如下：
1.了解时间序列发展的过程，包括各种传统模型、神经网络模型的特点、优缺点，对lstm方法的结构和框架进行阐述，并对lstm的优化方法进行复现和评价；
3. 研究计划与安排
1-3周：查阅文献，完成开题报告
4-6周：总体设计，完成论文综述
7-10周：设计算法，功能模块设计
4. 参考文献（12篇以上）
[1]. liu,f., et al., an ensemble model based on adaptive noise reducer and over-fittingprevention lstm for multivariate time series forecasting. ieee access, 2019. 7:p. 26102-26115.
[2]. ma,q., et al., attention-based spatio-temporal dependence learning network.information sciences, 2019. 503: p. 92-108.
[3]. w. zhu , c. lan , j. xing , w. zeng , y.li , l. shen , x. xie , co-occurrence feature learning for skeleton basedaction recognition using regularized deep lstm
