時間序列預測研究的是如何利用時間序列數(shù)據(jù)的歷史觀測值對其未來發(fā)展變化做出合理有效地推斷,涉及統(tǒng)計學、計算機科學等多個學科。時間序列數(shù)據(jù)幾乎無處不在,與人們的生產(chǎn)生活息息相關。近年來,伴隨著信息科學和計算機技術的飛速發(fā)展,越來越多的技術方法被應用于解決時間序列預測問題。傳統(tǒng)的基于時間序列模型的分析方法能夠很好地解決低維線性數(shù)據(jù)的預測問題,但是它們在處理普遍存在的高維非線性時間序列數(shù)據(jù)時,表現(xiàn)出許多不足之處。人工神經(jīng)網(wǎng)絡是一類非線性、基于數(shù)據(jù)驅(qū)動的機器學習方法,它經(jīng)過幾十年的發(fā)展,衍生出目前較為成熟的深度學習技術。本文重點研究了深度學習技術在時間序列預測問題中的應用,充分利用深度神經(jīng)網(wǎng)絡模型對非線性系統(tǒng)的學習能力,提高時間序列預測的精度。本文的主要工作是基于兩種典型的深度神經(jīng)網(wǎng)絡,對時間序列預測模型進行了兩方面的改進研究,其中包括考慮非高斯噪聲等復雜環(huán)境的影響以及改進預測模型自身的不足。具體內(nèi)容如下:首先,基于長短期記憶網(wǎng)絡和卷積神經(jīng)網(wǎng)絡,我們實現(xiàn)了兩種面向時間序列單步預測問題的深度神經(jīng)網(wǎng)絡預測模型,作為后續(xù)對時間序列預測模型改進研究的基礎,并分別在混沌時間序列模擬數(shù)據(jù)集和交通流量數(shù)據(jù)集上...

【文章頁數(shù)】：106 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
1 緒論
    1.1 課題的研究背景與意義
    1.2 時間序列預測概述
    1.3 基于神經(jīng)網(wǎng)絡的時間序列預測發(fā)展現(xiàn)狀
    1.4 信息論學習概述
    1.5 集成學習概述
    1.6 本文研究內(nèi)容與結構
2 基于深度神經(jīng)網(wǎng)絡的時間序列預測模型
    2.1 引言
    2.2 深度神經(jīng)網(wǎng)絡背景知識
    2.3 兩類典型的深度神經(jīng)網(wǎng)絡
    2.4 基于深度神經(jīng)網(wǎng)絡的時間序列預測
    2.5 實驗與結果分析
    2.6 小結
3 基于信息論測度的深度神經(jīng)網(wǎng)絡預測模型
    3.1 引言
    3.2 信息論學習
    3.3 基于中心化誤差熵損失函數(shù)的預測模型
    3.4 實驗與結果分析
    3.5 小結
4 基于深度神經(jīng)網(wǎng)絡集成的時間序列預測模型
    4.1 引言
    4.2 集成學習與時間序列預測
    4.3 基于深度神經(jīng)網(wǎng)絡集成的時間序列預測模型
    4.4 實驗與結果分析
    4.5 小結
5 總結與展望
參考文獻
作者簡歷
攻讀碩士學位期間的研究成果



本文編號：3795013