利用AOA算法改进LSTM模型进行时间序列预测

0 引言

利用LSTM开展时间序列预测的途径具有简便且高效的特点。LSTM的提出为时间序列预测开辟了全新的研究路径。不过，如同多数神经网络结构，LSTM的性能在很大程度上依赖于超参数的配置。针对这一问题，本研究引入算术优化算法AOA对LSTM网络中的超参数进行优化，构建出AOA-LSTM模型。通过实际案例验证可知，该模型在预测精度方面实现了显著提升。

核心原理阐述

1.1 LSTM原理

此处暂不进行说明！

1.2 算术优化算法

算术优化算法（Arithmetic Optimization Algorithm, AOA）是一种于2021年由Abualigah等人提出的新颖元启发式方法，其设计灵感源自数理运算中涉及加减乘除的综合计算过程。该方法通过引入乘除操作来增强算法在全局搜索过程中的扩散能力，同时借助加减操作提升局部搜索阶段的收敛精度。鉴于其具备较高的求解准确度以及良好的稳定性特征，该算法已被广泛应用于各类实际工程优化问题的求解过程中。

1.3 AOA优化LSTM原理

将LSTM网络的误差最小化作为适应度函数，MPA算法的核心目标在于寻找一组最优的超参数配置，从而实现网络误差的最小化。文中所涉及的LSTM关键超参数主要包括：学习率lr、批量大小batchsize、训练迭代次数K，以及两个隐藏层的节点数量L1与L2。