時間序列預(yù)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(xué)、計算機科學(xué)等多個學(xué)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(guān)。近年來,伴隨著信息科學(xué)和計算機技術(shù)的飛速發(fā)展,越來越多的技術(shù)方法被應(yīng)用于解決時間序列預(yù)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(yù)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(luò)是一類非線性、基于數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)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(xué)習(xí)技術(shù)。本文重點研究了深度學(xué)習(xí)技術(shù)在時間序列預(yù)測問題中的應(yīng)用,充分利用深度神經(jīng)網(wǎng)絡(luò)模型對非線性系統(tǒng)的學(xué)習(xí)能力,提高時間序列預(yù)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(luò),對時間序列預(yù)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(fù)雜環(huán)境的影響以及改進預(yù)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(luò)和卷積神經(jīng)網(wǎng)絡(luò),我們實現(xiàn)了兩種面向時間序列單步預(yù)測問題的深度神經(jīng)網(wǎng)絡(luò)預(yù)測模型,作為后續(xù)對時間序列預(yù)測模型改進研究的基礎(chǔ),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(xué)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(yù)測概述
    1.3 基于神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測發(fā)展現(xiàn)狀
    1.4 信息論學(xué)習(xí)概述
    1.5 集成學(xué)習(xí)概述
    1.6 本文研究內(nèi)容與結(jié)構(gòu)
2 基于深度神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測模型
    2.1 引言
    2.2 深度神經(jīng)網(wǎng)絡(luò)背景知識
    2.3 兩類典型的深度神經(jīng)網(wǎng)絡(luò)
    2.4 基于深度神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測
    2.5 實驗與結(jié)果分析
    2.6 小結(jié)
3 基于信息論測度的深度神經(jīng)網(wǎng)絡(luò)預(yù)測模型
    3.1 引言
    3.2 信息論學(xué)習(xí)
    3.3 基于中心化誤差熵損失函數(shù)的預(yù)測模型
    3.4 實驗與結(jié)果分析
    3.5 小結(jié)
4 基于深度神經(jīng)網(wǎng)絡(luò)集成的時間序列預(yù)測模型
    4.1 引言
    4.2 集成學(xué)習(xí)與時間序列預(yù)測
    4.3 基于深度神經(jīng)網(wǎng)絡(luò)集成的時間序列預(yù)測模型
    4.4 實驗與結(jié)果分析
    4.5 小結(jié)
5 總結(jié)與展望
參考文獻
作者簡歷
攻讀碩士學(xué)位期間的研究成果



本文編號：3795013