時(shí)間序列數(shù)據(jù)廣泛存在于在金融、天文、工業(yè)、醫(yī)藥、電力等諸多領(lǐng)域。時(shí)間序列具有連續(xù)性,隨機(jī)性以及周期性,其特性表明了對(duì)其進(jìn)行預(yù)測(cè)的可行性與困難性。通過(guò)分析時(shí)間序列數(shù)據(jù),可以挖掘數(shù)據(jù)的周期性、基本趨勢(shì)和關(guān)聯(lián)規(guī)則等有價(jià)值的信息,還能夠?qū)ξ磥?lái)走勢(shì)進(jìn)行預(yù)測(cè)。時(shí)間序列預(yù)測(cè)模型的應(yīng)用范圍十分廣泛,包括電力需求預(yù)測(cè)、金融市場(chǎng)預(yù)測(cè)以及現(xiàn)代醫(yī)療診斷等領(lǐng)域,無(wú)論是為了獲取商業(yè)利益還是規(guī)避風(fēng)險(xiǎn),提高時(shí)間序列預(yù)測(cè)的準(zhǔn)確性,都具有極大的研究?jī)r(jià)值和實(shí)用價(jià)值。針對(duì)不同時(shí)間尺度對(duì)時(shí)間序列進(jìn)行預(yù)測(cè),分為細(xì)粒度預(yù)測(cè)和粗粒度預(yù)測(cè)。目前的主要預(yù)測(cè)方法包括統(tǒng)計(jì)學(xué)習(xí)方法、傳統(tǒng)機(jī)器學(xué)習(xí)方法、前饋神經(jīng)網(wǎng)絡(luò)方法和循環(huán)神經(jīng)網(wǎng)絡(luò)方法等。這些方法都有各自的限制或者需根據(jù)實(shí)際應(yīng)用場(chǎng)景做出組合、調(diào)整、改進(jìn)。在應(yīng)用領(lǐng)域,預(yù)測(cè)精度每提高一點(diǎn),都能帶來(lái)巨大的收益。神經(jīng)網(wǎng)絡(luò)擁有通用的逼近能力,強(qiáng)大的計(jì)算能力和表達(dá)能力,是一種理想的規(guī)則和模式學(xué)習(xí)器,可以用來(lái)發(fā)展更高級(jí)形式的預(yù)測(cè)器。本文致力于研究神經(jīng)網(wǎng)絡(luò)工作原理,從而對(duì)其進(jìn)行結(jié)構(gòu)調(diào)整和改進(jìn),以及模型組合等工作,建立時(shí)間序列粗粒度和細(xì)粒度預(yù)測(cè)模型,提高時(shí)間序列預(yù)測(cè)精度。針對(duì)時(shí)間序列的細(xì)粒度預(yù)測(cè)問(wèn)題,本文提出了... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1兩種預(yù)測(cè)模型

學(xué)碩士研究生學(xué)位論文 第三章 基于 LSTM 的數(shù)據(jù)中心能耗細(xì)粒度換機(jī)能量模式，仿真持續(xù)時(shí)間等參數(shù)設(shè)置信息，以及仿真持續(xù)期間，消耗W*h）和具體的各個(gè)組件消耗的總能量。并且，如圖 3.2 所示，仿真結(jié)果仿真時(shí)間內(nèi)各個(gè)時(shí)間點(diǎn)的能量消耗情況，默認(rèn)的最小時(shí)隙單位為 1 秒，即耗情況，能耗序列數(shù)據(jù)數(shù)據(jù)以文本形式保存。

17圖 3.2 各個(gè)組件能量消耗信息（時(shí)隙單位：1 秒）nnCloud 的主要參數(shù)設(shè)置如表 3.2 所示。與真實(shí)數(shù)據(jù)中心相比，實(shí)驗(yàn)系統(tǒng)在化。因?yàn)槲覀兊哪Ｐ褪腔趯W(xué)習(xí)的黑盒模型，只要一個(gè)人擁有測(cè)量數(shù)據(jù)，數(shù)據(jù)中心功耗的方法可以很容易地用于其他更復(fù)雜的情況。使用相同的基使用其獨(dú)特的工作負(fù)載為數(shù)據(jù)中心建模，模擬中的這些簡(jiǎn)化可以簡(jiǎn)化數(shù)據(jù)

【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型的時(shí)間序列趨勢(shì)預(yù)測(cè)方法[J]. 王慧健,劉崢,李云,李濤.  計(jì)算機(jī)工程. 2019(07)
[2]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測(cè)[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報(bào). 2018(04)

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
[2]時(shí)間序列短期預(yù)測(cè)模型研究與應(yīng)用[D]. 張滸.華中科技大學(xué) 2013

碩士論文
[1]面向物聯(lián)網(wǎng)時(shí)間序列數(shù)據(jù)深度學(xué)習(xí)的LSTM方法研究[D]. 謝小峰.湖南大學(xué) 2018
[2]基于ARIMA-LSSVM混合模型的股指預(yù)測(cè)研究[D]. 袁磊.哈爾濱工業(yè)大學(xué) 2015



本文編號(hào)：3057475