论文部分内容阅读
时间序列分析是人类认识与探索自然规律的一种普遍方式。为了准确预测时间序列数据,机器学习作为人工智能领域研究的基础,对复杂时间序列分析有着绝对的优势,因此研究机器学习算法对分析时间序列有着重要的意义。针对传统时间序列分析方法对时间序列预测准确度不高问题,提出一种改进的SAM-LSTM融合算法。通过研究目前针对时间序列预测效果较好且基于机器学习的通用算法支持向量机(SVM)与循环神经网络(RNN)的方法,发现SVM主要是对线性可分数据进行分类的方法,RNN虽然对序列有着保存以往信息能力,但容易发生梯度消失现象导致预测效果不佳。长短期记忆神经网络(LSTM)是为了解决RNN无法处理远距离长序列依赖问题,通过加入门结构方式很好地避免了发生梯度消失问题;自注意力机制(SAM)的目的是帮助模型对每个样本数据赋予不同的权重,提取出影响数据分析预测的关键信息。构建SAM-LSTM融合算法,综合两者算法的各自优势,实验选取电力负荷需求量数据和日最高温度气象数据,对比SVM算法、RNN算法、LSTM算法以及SAM-LSTM算法对时间序列预测准确度及误差值,评估指标为平均绝对误差(MAE),平均绝对百分比误差(MAPE),均方误差(MSE)。经实验结果分析,以新南威尔士州电力负荷需求量数据预测为例,SAM-LSTM方法较 RNN 方法 MAPE 值降低 55.1%,MSE 值降低 57.4%,MAE 值降低 33.8%,;SAM-LSTM方法较LSTM方法MAE值降低了33.2%,MAPE值降低了52.9%,MSE值降低了53.8%。仿真结果表明,改进的SAM-LSTM算法可应用于时间序列分析和预测的研究,预测仿真图吻合度较高,误差值较低,对时间序列分析研究具有重大意义。