時(shí)間序列數(shù)據(jù)往往反映了某個(gè)事件發(fā)展的規(guī)律,蘊(yùn)含著豐富的潛在信息。長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)由于其網(wǎng)絡(luò)結(jié)構(gòu)的特殊性可以儲(chǔ)存信息,解決長(zhǎng)期依賴問題,常被用于時(shí)間序列預(yù)測(cè)。對(duì)LSTM的研究有利于高效挖掘出時(shí)序數(shù)據(jù)中的重要信息,對(duì)社會(huì)、經(jīng)濟(jì)等各個(gè)方面的發(fā)展均有著重要的影響。本文以LSTM為研究對(duì)象,提出了基于Xgboost特征選擇和LSTM神經(jīng)網(wǎng)絡(luò)的XGB-LSTM混合模型,在三個(gè)不同時(shí)間序列數(shù)據(jù)集:某行股票數(shù)據(jù)、SML2010以及北京PM2.5上進(jìn)行了實(shí)證分析。本文的研究主要集中在以下三個(gè)方面:首先,基于某銀行股票數(shù)據(jù)集對(duì)LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行了探索性分析,探究了時(shí)間步長(zhǎng)、神經(jīng)元個(gè)數(shù)和批量大小等參數(shù)對(duì)LSTM神經(jīng)網(wǎng)絡(luò)性能和效率的影響,為后續(xù)研究中如何提升LSTM的訓(xùn)練精度和速度提供了參考價(jià)值。研究表明,其余參數(shù)相同時(shí),LSTM訓(xùn)練時(shí)長(zhǎng)隨著時(shí)間步長(zhǎng)和神經(jīng)元個(gè)數(shù)的增加而增加,不同的參數(shù)會(huì)對(duì)模型性能帶來(lái)一定的影響。因此,先利用經(jīng)驗(yàn)信息結(jié)合數(shù)據(jù)實(shí)際情況確定參數(shù)大致范圍,再運(yùn)用網(wǎng)格搜索、隨機(jī)搜索等調(diào)參方法合理選擇參數(shù),有利于提升LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度和訓(xùn)練速度。其次,在SML2010數(shù)據(jù)集上分別... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及選題意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容及創(chuàng)新點(diǎn)
2 時(shí)間序列預(yù)測(cè)
    2.1 時(shí)間序列概述
    2.2 時(shí)間序列預(yù)測(cè)方法
3 相關(guān)技術(shù)及其理論基礎(chǔ)
    3.1 特征選擇和降維技術(shù)
    3.2 Xgboost理論基礎(chǔ)
    3.3 BP神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
    3.4 循環(huán)神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
    3.5 XGB-LSTM混合模型
4 實(shí)驗(yàn)數(shù)據(jù)集及評(píng)價(jià)指標(biāo)介紹
    4.1 實(shí)驗(yàn)數(shù)據(jù)集
    4.2 評(píng)價(jià)指標(biāo)
5 實(shí)證分析
    5.1 實(shí)驗(yàn)環(huán)境
    5.2 數(shù)據(jù)預(yù)處理
    5.3 基于實(shí)例數(shù)據(jù)的探索性分析
    5.4 XGB-LSTM混合模型的有效性驗(yàn)證
    5.5 XGB-LSTM混合模型的應(yīng)用
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林的長(zhǎng)短期記憶網(wǎng)絡(luò)氣溫預(yù)測(cè)[J]. 陶曄,杜景林.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(03)
[2]基于LSTM的城市公交車站短時(shí)客流量預(yù)測(cè)研究[J]. 李高盛,彭玲,李祥,吳同.  公路交通科技. 2019(02)
[3]基于深度學(xué)習(xí)的時(shí)間序列算法綜述[J]. 沈旭東.  信息技術(shù)與信息化. 2019(01)
[4]電力市場(chǎng)中基于Attention-LSTM的短期負(fù)荷預(yù)測(cè)模型[J]. 彭文,王金睿,尹山青.  電網(wǎng)技術(shù). 2019(05)
[5]基于隨機(jī)森林特征選擇算法的鼻咽腫瘤分割[J]. 李鮮,王艷,羅勇,周激流.  計(jì)算機(jī)應(yīng)用. 2019(05)
[6]時(shí)間序列預(yù)測(cè)技術(shù)綜述[J]. 何亞磊,許乾坤.  信息通信. 2018(11)
[7]基于GRU網(wǎng)絡(luò)的互聯(lián)網(wǎng)信息挖掘[J]. 李驍,黃征.  信息技術(shù). 2018(03)
[8]基于深度學(xué)習(xí)LSTM網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法[J]. 陳卓,孫龍祥.  電子技術(shù). 2018(01)
[9]基于CNN和LSTM深度網(wǎng)絡(luò)的偽裝用戶入侵檢測(cè)[J]. 王毅,馮小年,錢鐵云,朱輝,周靜.  計(jì)算機(jī)科學(xué)與探索. 2018(04)
[10]基于LSTM網(wǎng)絡(luò)的序列標(biāo)注中文分詞法[J]. 任智慧,徐浩煜,封松林,周晗,施俊.  計(jì)算機(jī)應(yīng)用研究. 2017(05)

博士論文
[1]神經(jīng)網(wǎng)絡(luò)及其組合模型在時(shí)間序列預(yù)測(cè)中的研究與應(yīng)用[D]. 潘麗娜.蘭州大學(xué) 2018

碩士論文
[1]基于GRU神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)研究[D]. 劉洋.成都理工大學(xué) 2017
[2]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016
[3]基于灰色理論和神經(jīng)網(wǎng)絡(luò)的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)的研究[D]. 楊超.天津理工大學(xué) 2015
[4]時(shí)間序列分析方法研究及其在陜西省GDP預(yù)測(cè)中的應(yīng)用[D]. 魏寧.西北農(nóng)林科技大學(xué) 2010
[5]BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用研究[D]. 黃麗.重慶師范大學(xué) 2008



本文編號(hào)：2955571