本文提出了一種新型的循環神經網絡，稱為“記憶增強型液體時間常數網絡”（Memory-Enhanced Liquid Time-Constant Network，簡稱M-LTC）。傳統的時間序列模型在處理短期序列和長期序列組合時效率較低。基于液體時間常數（Liquid Time-Constant，簡稱LTC）網絡的思想，我們的模型包含了一個由記憶神經元和學習神經元組成的雙狀態系統，每個狀態都由受生物學啟發的微分方程控制。記憶神經元利用具有周期性非線性的吸引子動態來存儲和記住長期關系，而學習神經元則利用更快的動態來模擬短期特征。我們使用四階龍格-庫塔（Runge–Kutta 4th order，簡稱RK4）和五階多曼德-普林斯（Dormand–Prince 5th order，簡稱DOPRI5）方法來評估隱藏狀態和記憶狀態，以確保數值模式的穩定性以及時間模式的正確積分。這為當今的時間建模問題提供了一個生物學上合理且計算效率高的解決方案。

相關研究

相關工作

傳統的時間序列建模依賴于統計技術，如自回歸積分移動平均（Autoregressive Integrated Moving Average，簡稱ARIMA）及其季節性變體（SARIMA）。這些模型具有可解釋的公式，并適用于線性和平穩數據。然而，它們無法處理復雜的非線性現象，在高維或噪聲環境中表現不佳。

為了解決這些問題，基于神經網絡的方法（如RNN、LSTM和GRU）已被廣泛研究。

提出的方法

在這項研究中，我們提出了一種受生物學啟發的循環神經架構——記憶增強型液體時間常數網絡（Memory-Enhanced Liquid Time-Constant Network，簡稱M-LTC），通過整合基于吸引子動態的新記憶機制，提升了傳統液體時間常數（LTC）網絡的功能。與傳統依賴固定離散更新規則的RNN單元不同，該網絡

數據集描述

所提出的模型已在5個數據集上進行了實驗。每個數據集的序列被分割成重疊的子序列，每個子序列包含32個時間步長。在訓練之前，輸入特征根據訓練集的統計信息被標準化為均值為零、方差為單位值。目標標簽也進行了調整，以便與標準的分類損失函數兼容。對于每個實驗，我們

結果與討論

與基線模型（如LSTM、CT-RNN、N-ODE和LTC）相比，所提出的記憶增強型液體時間常數網絡（M-LTC）在多個時間序列任務中表現出更優的性能。表4總結了M-LTC在平衡長期記憶保留和短期適應性方面的優勢。（見表1。）

在分類任務中，M-LTC在占用率（Occupancy）方面的準確率最高

結論

所提出的記憶增強型液體時間常數網絡（M-LTC）通過結合受生物學啟發的記憶動態和連續時間學習，有效建模了復雜的時間序列數據。通過整合基于吸引子的記憶神經元和自適應時間常數，該模型在多個分類和回歸基準測試中取得了優異的性能。其在平衡長期記憶保留和短期適應性方面的能力使其成為實時應用的理想候選者。

作者貢獻聲明

M. Srinivas：撰寫——審稿與編輯、驗證、監督、項目管理、方法論研究、數據分析、概念化。Abhijeet Kumar：撰寫——初稿撰寫、可視化展示、驗證、監督、軟件開發、資源管理、方法論研究、數據分析、數據整理、概念化。R.B.V. Subramaanyam：撰寫——審稿與編輯、可視化展示、驗證、監督、資源管理、項目管理、方法論研究、數據分析、概念化。

利益沖突聲明

作者聲明他們沒有已知的財務利益沖突或個人關系可能影響本文的研究結果。

致謝

Abhijeet Kumar感謝瓦朗加爾國立技術學院計算機科學系的支持，使本研究得以順利進行。