论文部分内容阅读
时间序列一般是指系统中某一变量的观测值按时间顺序排成一个序列。时间序列数据是受系统中其它各种因素影响的总结果,自身反映出了对象的变化特征、发展趋势和运动规律。时间序列有高维时间序列也有单维数间序列,针对不同特性的时间序列数据应使用不同的方法进行研究才可获得预期的效果。本文的研究内容便是研究不同特点的时间序列数据该使用怎样的研究策略。本文的主要研究内容包括:
1)针对单维小样本时间序列数据提出使用Adaboost.RT集成不同学习模型的方法提升对小样本单维度时间序列的预测精度,因为小样本不适合应用深度学习模型,而机器学习中的单一模型预测效果不佳,所以使用集成学习算法,并使用不同的基学习模型作为弱学习器,再使用Adaboost.RT算法进行集成。
随着数据量地提升,我们可以尝试使用更复杂的模型解决问题,但同时对算法的效率也提出了更高的要求;而随着数据维度、复杂度的上升,使用深度学习神经网络可能会有更好的效果。
2)而对于样本数据量足够多的单维时间序列数据,提出使用静态小波变换与长短期记忆神经网络(LSTM)结合的方法。波动性大,不确定性强且噪声多的单维时间序列数据是难以预测的,对此提出应用多尺度单步静态小波分解方法,使用合适的小波基函数将原始信号分解成低频信号与高频信号,然后使用混合LSTM模型对分解后的每个信号单独进行训练预测;最后使用小波变换的几乎无损反小波变换获得对原信号的预测值。
3)对于高维时间序列数据,特征工程与特征提取对回归预测效果具有极大的影响,所以在对原数据进行特征工程后,使用inception-resnet结构对多维特征进行特征提取,并输入到GRU循环神经网络模型中进行预测研究。搭建深度学习端到端的模型对具有多维度多特征的时间序列数据进行预测研究,避免了复杂的特征工程,实现了深度学习模型自身特征的挖掘与提取。
1)针对单维小样本时间序列数据提出使用Adaboost.RT集成不同学习模型的方法提升对小样本单维度时间序列的预测精度,因为小样本不适合应用深度学习模型,而机器学习中的单一模型预测效果不佳,所以使用集成学习算法,并使用不同的基学习模型作为弱学习器,再使用Adaboost.RT算法进行集成。
随着数据量地提升,我们可以尝试使用更复杂的模型解决问题,但同时对算法的效率也提出了更高的要求;而随着数据维度、复杂度的上升,使用深度学习神经网络可能会有更好的效果。
2)而对于样本数据量足够多的单维时间序列数据,提出使用静态小波变换与长短期记忆神经网络(LSTM)结合的方法。波动性大,不确定性强且噪声多的单维时间序列数据是难以预测的,对此提出应用多尺度单步静态小波分解方法,使用合适的小波基函数将原始信号分解成低频信号与高频信号,然后使用混合LSTM模型对分解后的每个信号单独进行训练预测;最后使用小波变换的几乎无损反小波变换获得对原信号的预测值。
3)对于高维时间序列数据,特征工程与特征提取对回归预测效果具有极大的影响,所以在对原数据进行特征工程后,使用inception-resnet结构对多维特征进行特征提取,并输入到GRU循环神经网络模型中进行预测研究。搭建深度学习端到端的模型对具有多维度多特征的时间序列数据进行预测研究,避免了复杂的特征工程,实现了深度学习模型自身特征的挖掘与提取。