ARIMA和LSTM算法的应用比较.pdf

第40卷 第1期 数字技术与应用
2022 年 1 LSTM时间序列模型[1]基于循环时间网络，引入了
电子社保卡互联网业务访问量和社保卡办理量两个预测 输入门（Input Gate）、遗忘门（Forget Gate）和输
场景为例，分别应用ARIMA和LSTM模型，通过比较 出门（Output Gate）的概念。输入门、遗忘门和输出
分析归纳出两种模型的特点和适应性，进而提高人社业 门的公式[2]分别如下：
务数据分析能力。
1 分析目标
业务场景
通过模型算法，掌握未来一个时期内互联网业务办
理压力和社保卡制作量压力，有助于提前做好服务器、
（1）候选记忆细胞：
存储等信息系统资源和社保卡库存准备，结合对现有信
以值域在[-1,1]的tanh函数作为激活函数，在给定
息化资源和卡资源的情况，及时做好风险应对。借助大
时间t步时记忆细胞的计算公式[2]为：
数据技术，通过历史数据预测未来的业务量，进一步提
收稿日期:2021-11-06
作者简介:谷剑芳(1979—),女,湖南衡阳人,本科,研究方向:大数据、人力资源社会保障业务数据分析应用。
58谷剑芳：ARIMA和LSTM算法的应用比较 2022 年第 1 期
（2）记忆细胞：
通过元素值域在[0,1]的输入门、遗忘门和输出门 构建LSTM模型[3]，设置Adam方法作为模型优化
来控制隐藏状态中信息的流动，这一般也是通过使用 器，并将我们前面所定义的训练集、验证集和测试集数
按元素乘法（符号为⊙）来实现的。当前时间步记忆 据传入模型进行训练，通过设置EarlyStopping方法来
细胞的计算组合了上一时间步记忆细胞和当前时间步 提前终止模型训练，并保存效果最佳的模型，最后便可
候选记忆细胞的信息，并通过遗忘门和输入门来控制