近年來,隨著物聯(lián)網(wǎng)和5G技術的迅猛發(fā)展,時間序列數(shù)據(jù)呈現(xiàn)出不斷增長的趨勢。這些時間序列數(shù)據(jù)蘊含了許多隱藏信息,挖掘和分析這些隱藏信息在金融、醫(yī)療和交通等領域中具有重要意義。但現(xiàn)有的時序預測和分類模型未能充分考慮時間序列數(shù)據(jù)的特征(即序列變量之間的相關性和長期依賴關系)。傳統(tǒng)的機器學習算法通過人工設計規(guī)則提取數(shù)據(jù)特征,而深度學習通過多個處理層來學習數(shù)據(jù)的抽象表示,這不僅省去人工提取特征的步驟而且極大提升了模型的泛化性能。因此,本文利用深度學習對時間序列數(shù)據(jù)預測和分類兩個重點問題進行研究,主要工作內(nèi)容如下:(1)對時間序列數(shù)據(jù)傳統(tǒng)的預測和分類方法進行調(diào)研,同時調(diào)研深度學習的相關理論知識,主要包括卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡和注意力機制,并重點研究基于深度學習的時序預測和分類方法。(2)針對時序預測模型CRNN(Convolutional Recurrent Neural Network)存在缺乏考慮序列變量之間的相關性以及長期依賴關系的問題,本文提出一種CRNN的改進模型SAC-GRNN(Self Attention and Convolution based Gate Recurrent ...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 時序預測研究現(xiàn)狀
            1.2.1.1 傳統(tǒng)的預測方法
            1.2.1.2 基于機器學習的預測方法
            1.2.1.3 基于深度學習的預測方法
        1.2.2 時序分類研究現(xiàn)狀
            1.2.2.1 基于距離的分類方法
            1.2.2.2 基于特征的分類方法
            1.2.2.3 基于深度學習的分類方法
    1.3 本文研究內(nèi)容
    1.4 本文組織結構
第二章 相關知識綜述
    2.1 時間序列分析
        2.1.1 時間序列的定義
        2.1.2 時間序列的分類
        2.1.3 時間序列的特性
    2.2 深度學習理論
        2.2.1 神經(jīng)元與BP算法
        2.2.2 卷積神經(jīng)網(wǎng)絡
        2.2.3 循環(huán)神經(jīng)網(wǎng)絡
    2.3 注意力機制
        2.3.1 注意力機制原理
        2.3.2 注意力機制分類
    2.4 本章小結
第三章 基于SAC-GRNN的時序預測模型
    3.1 問題定義及符號表示
    3.2 模型介紹
        3.2.1 門控循環(huán)單元
        3.2.2 一維卷積和自注意力
        3.2.3 自回歸
        3.2.4 模型輸出
    3.3 實驗設計與分析
        3.3.1 數(shù)據(jù)集及評價指標
        3.3.2 實驗準備
            3.3.2.1 數(shù)據(jù)歸一化和樣本構建
            3.3.2.2 實驗設置
        3.3.3 實驗結果分析
            3.3.3.1 模型超參數(shù)分析
            3.3.3.2 模型性能對比分析
            3.3.3.3 消融實驗對比分析
    3.4 本章小結
第四章 基于DCC-GNN的時序分類模型
    4.1 問題定義及符號表示
    4.2 模型介紹
        4.2.1 雙通道卷積網(wǎng)絡
        4.2.2 門控循環(huán)網(wǎng)絡
        4.2.3 模型輸出
    4.3 實驗設計與分析
        4.3.1 數(shù)據(jù)集與評價指標
        4.3.2 實驗設置
        4.3.3 對比結果分析
    4.4 本章小結
總結與展望
    本文工作總結
    未來工作展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件



本文編號：3934042