資源描述：
《基于lstm的時間序列混合預測方法研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、學校代碼10530學號201510171888分類號TP301密級公開碩士學位論文基于LSTM的時間序列混合預測方法研究學位申請人黃宏偉指導教師曾朝暉副教授學院名稱信息工程學院學科專業(yè)計算機技術研究方向計算智能與信息處理二〇一八年六月五日ResearchonTimeSeriesHybridPredictionMethodBasedonLSTMCandidateHuanghongweiSupervisorAssociateProf.ZengzhaohuiCollegeCollegeofInformationEngi
2、neeringProgramComputerTechnologySpecializationComputationalintelligenceandInformationprocessingDegreeMasterofEngieeringUniversityXiangtanUniversityDateJune5th2018III摘要時間序列是蘊含著豐富信息的數(shù)據，時間序列預測作為重要的數(shù)據分析方法，一直受到各領域學者的關注。實際應用中，簡單的平穩(wěn)序列比較少見，尋找一種能夠有效地處理復雜非平穩(wěn)時間序列并對其進行準確
3、預測的方法至關重要。本研究將長短時間記憶網絡（LongShort-TermMemory,LSTM）對非線性和非平穩(wěn)時間序列有較強逼近能力的優(yōu)點與自回歸滑動平均模型（AutoRegressiveMoving-Averagemodels,ARMA）適用于線性、平穩(wěn)時間序列建模和預測的特點結合，提出一種新的基于深度學習的時間序列混合預測方法。相對于現(xiàn)有方法，該方法的不同之處在于：（1）利用多分辨分析理論，對時間序列進行小波分解，得到多個子序列并對每個子序列進行平穩(wěn)性分析。在時間序列預測領域，前人多將小波分析用于序列去噪
4、，以提高預測精度。本文方法通過小波分解，得到代表細節(jié)波動的平穩(wěn)子序列和包含周期性、季節(jié)性及趨勢信息的非平穩(wěn)序列。（2）對代表細節(jié)波動的平穩(wěn)子序列使用較低計算復雜度的ARMA進行建模與預測，通過該步驟提高了時間序列細節(jié)部分的擬合和預測精度。前人方法多通過差分等方式去掉周期性、季節(jié)性或趨勢項的影響，以得到滿足基于數(shù)理統(tǒng)計的時間序列預測方法前提條件的序列。本文方法對小波分解后的各級子序列進行單支重構，再使用ARMA進行建模與預測，保留了原時間序列完整的細節(jié)波動。（3）區(qū)別于基于人工神經網絡對整個時間序列進行擬合和預測，
5、本文僅對對原時間序列中包含的周期性、季節(jié)性及趨勢信息的非平穩(wěn)子序列使用LSTM進行建模與預測。通過該步驟保留了時間序列中變化緩慢因素對時間序列的影響，提高了對時間序列整體趨勢的擬合和預測精度的同時，還降低了網絡復雜度。（4）本文利用小波變換能完美重構原始信號的特點，對各模型的預測子序列進行重構，得到最終預測結果。與前人方法相比，得到的預測結果既沒有損失細節(jié)信息，也沒有損失整體趨勢信息。相對于回歸求和滑動平均（AutoRegressiveIntergratedMovingAverage,ARIMA）方法、BP神經網
6、絡和直接用LSTM方法,本方法在不同類型的數(shù)據集上，其擬合精度及預測精度上都具有明顯的優(yōu)勢，無論是周期和整體趨勢的預測，還是細節(jié)波動的捕捉，都能得到兼顧。同時精簡了深度學習方法LSTM的網絡結構，緩解了LSTM網絡訓練困難等問題。關鍵字：時間序列預測；ARMA；LSTM；小波分解；深度學習IIIAbstractTimeseriesisakindofdatathatcontainsabundantinformation.Timeseriespredictionisanimportantdataanalysismet
7、hodandhasbeenreceivingattentionfromscholarsinvariousfields.Inpracticalapplications,simpleandregularstationarysequencesarerare,anditisveryimportanttofindamethodthatcaneffectivelydealwithvariouscomplexnonstationarytimeseriesandpredictthemaccurately.Thisstudycom
8、binestheadvantagesofLongShort-TermMemory(LSTM)fornonlinearnonstationarytimeserieswithstrongapproximationabilityandthecharacteristicsofAutoRegressiveMoving-Average(ARMA)formodelingandpredi
