時間序列數(shù)據(jù)往往反映了某個事件發(fā)展的規(guī)律,蘊含著豐富的潛在信息。長短期記憶（LSTM）神經(jīng)網(wǎng)絡由于其網(wǎng)絡結構的特殊性可以儲存信息,解決長期依賴問題,常被用于時間序列預測。對LSTM的研究有利于高效挖掘出時序數(shù)據(jù)中的重要信息,對社會、經(jīng)濟等各個方面的發(fā)展均有著重要的影響。本文以LSTM為研究對象,提出了基于Xgboost特征選擇和LSTM神經(jīng)網(wǎng)絡的XGB-LSTM混合模型,在三個不同時間序列數(shù)據(jù)集:某行股票數(shù)據(jù)、SML2010以及北京PM2.5上進行了實證分析。本文的研究主要集中在以下三個方面:首先,基于某銀行股票數(shù)據(jù)集對LSTM神經(jīng)網(wǎng)絡進行了探索性分析,探究了時間步長、神經(jīng)元個數(shù)和批量大小等參數(shù)對LSTM神經(jīng)網(wǎng)絡性能和效率的影響,為后續(xù)研究中如何提升LSTM的訓練精度和速度提供了參考價值。研究表明,其余參數(shù)相同時,LSTM訓練時長隨著時間步長和神經(jīng)元個數(shù)的增加而增加,不同的參數(shù)會對模型性能帶來一定的影響。因此,先利用經(jīng)驗信息結合數(shù)據(jù)實際情況確定參數(shù)大致范圍,再運用網(wǎng)格搜索、隨機搜索等調(diào)參方法合理選擇參數(shù),有利于提升LSTM神經(jīng)網(wǎng)絡的預測精度和訓練速度。其次,在SML2010數(shù)據(jù)集上分別... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：55 頁

【學位級別】：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 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容及創(chuàng)新點
2 時間序列預測
    2.1 時間序列概述
    2.2 時間序列預測方法
3 相關技術及其理論基礎
    3.1 特征選擇和降維技術
    3.2 Xgboost理論基礎
    3.3 BP神經(jīng)網(wǎng)絡理論基礎
    3.4 循環(huán)神經(jīng)網(wǎng)絡理論基礎
    3.5 XGB-LSTM混合模型
4 實驗數(shù)據(jù)集及評價指標介紹
    4.1 實驗數(shù)據(jù)集
    4.2 評價指標
5 實證分析
    5.1 實驗環(huán)境
    5.2 數(shù)據(jù)預處理
    5.3 基于實例數(shù)據(jù)的探索性分析
    5.4 XGB-LSTM混合模型的有效性驗證
    5.5 XGB-LSTM混合模型的應用
    5.6 本章小結
6 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]基于隨機森林的長短期記憶網(wǎng)絡氣溫預測[J]. 陶曄,杜景林.  計算機工程與設計. 2019(03)
[2]基于LSTM的城市公交車站短時客流量預測研究[J]. 李高盛,彭玲,李祥,吳同.  公路交通科技. 2019(02)
[3]基于深度學習的時間序列算法綜述[J]. 沈旭東.  信息技術與信息化. 2019(01)
[4]電力市場中基于Attention-LSTM的短期負荷預測模型[J]. 彭文,王金睿,尹山青.  電網(wǎng)技術. 2019(05)
[5]基于隨機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.  計算機應用. 2019(05)
[6]時間序列預測技術綜述[J]. 何亞磊,許乾坤.  信息通信. 2018(11)
[7]基于GRU網(wǎng)絡的互聯(lián)網(wǎng)信息挖掘[J]. 李驍,黃征.  信息技術. 2018(03)
[8]基于深度學習LSTM網(wǎng)絡的短期電力負荷預測方法[J]. 陳卓,孫龍祥.  電子技術. 2018(01)
[9]基于CNN和LSTM深度網(wǎng)絡的偽裝用戶入侵檢測[J]. 王毅,馮小年,錢鐵云,朱輝,周靜.  計算機科學與探索. 2018(04)
[10]基于LSTM網(wǎng)絡的序列標注中文分詞法[J]. 任智慧,徐浩煜,封松林,周晗,施俊.  計算機應用研究. 2017(05)

博士論文
[1]神經(jīng)網(wǎng)絡及其組合模型在時間序列預測中的研究與應用[D]. 潘麗娜.蘭州大學 2018

碩士論文
[1]基于GRU神經(jīng)網(wǎng)絡的時間序列預測研究[D]. 劉洋.成都理工大學 2017
[2]基于LSTM神經(jīng)網(wǎng)絡的美股股指價格趨勢預測模型的研究[D]. 孫瑞奇.首都經(jīng)濟貿(mào)易大學 2016
[3]基于灰色理論和神經(jīng)網(wǎng)絡的中長期電力負荷預測的研究[D]. 楊超.天津理工大學 2015
[4]時間序列分析方法研究及其在陜西省GDP預測中的應用[D]. 魏寧.西北農(nóng)林科技大學 2010
[5]BP神經(jīng)網(wǎng)絡算法改進及應用研究[D]. 黃麗.重慶師范大學 2008



本文編號：2955571