【摘 要】
：
时间序列预测应用于现实世界的方方面面,对时间序列中未来数据的准确预测需要捕获具有代表性的序列特征,而传统的时间序列预测模型对非平稳时间序列预测误差较大,机器学习相关的时间序列预测模型存在预测滞后现象。针对上述问题,提出一种基于CEEMDAN与深度学习的时间序列预测模型。首先将时间序列通过CEEMDAN算法分解为代表不同时间尺度的本征模态函数序列,然后对每一路分解结果使用同比检验策略确定最佳滑动窗口
论文部分内容阅读
时间序列预测应用于现实世界的方方面面,对时间序列中未来数据的准确预测需要捕获具有代表性的序列特征,而传统的时间序列预测模型对非平稳时间序列预测误差较大,机器学习相关的时间序列预测模型存在预测滞后现象。针对上述问题,提出一种基于CEEMDAN与深度学习的时间序列预测模型。首先将时间序列通过CEEMDAN算法分解为代表不同时间尺度的本征模态函数序列,然后对每一路分解结果使用同比检验策略确定最佳滑动窗口参数作为特征维度,利用融合多头注意力机制的双向LSTM对高频序列进行预测,利用GRU对低频序列进行预测,最后将每个尺度序列的预测结果使用全连接层与真实值进行非线性拟合得出预测结果。通过与一次指数平滑和二次指数平滑两种传统时序预测模型及BP神经网络、RNN、LSTM和GRU四种神经网络时序预测模型在4组时间序列数据上的预测对比实验,本文模型比两种传统时序预测模型的最优预测均方误差在测试集上分别减少1.88%、1.20%、0.23%和3.78%,比四种神经网络时序预测模型的最优预测均方误差在测试集上分别减少0.75%、0.13%、0.14%和1.29%,证明本文所提模型能够有效减小预测误差,能够有效解决预测滞后现象;通过消融实验证明双向LSTM与多头注意力机制能够有效提高本文模型拐点拟合能力。该论文有图39幅,表9个,参考文献54篇。
其他文献
长三角城市群是我国重要的经济增长引擎,其物流产业在区域经济一体化发展的带动下,已显现出空间集聚态势。长三角城市群各城市间的区域差距大,发展不均衡,其物流产业集聚对物流发展的影响及其溢出效应并不确定,难以进行物流产业的合理布局与管理。物流产业效率是衡量物流产业发展质量的重要指标,长三角城市群物流产业集聚的溢出效应可以通过物流产业集聚对物流效率的影响来判断。本文利用区位熵值法和DEA模型对长三角城市群
为了应对激增的市场需求,恒久安泰在不变动企业生产结构的同时,联合外部制造商的协同调度对生产运营进行优化。在当前的生产环境下,企业的生产协同调度效率低下,经常出现节点内订单阻塞,产能负载上限较低,无法按时完成订单。围绕降低资源调度的交付时间,延长阻塞时间以及提高生产负载上限来改善协同生产系统中的生产调度问题,展开以下两个方面的研究:（1）针对企业的实体生产运营的操作流程,提出了一种基于多智体系统（M
为了解决正负样本不均衡分布造成的分类边界偏移,训练模型对少数类样本学习不充分的问题,提出了融合条件熵和TFIDF的HTTE过采样方法（Oversampling technology based on conditional entropy and TFIDF）和基于BERT与卷积神经网络的标签文本分类算法。HTTE采用信息论的方法,计算每种特征组合情况下标签的条件熵,再融合TFIDF值,保留数据特
随着时代的进步,以电力电子技术为基础的功率型电子器件及各种非线性负载在民用和工业中的大量应用,造成对电能质量的严重影响,同时也对电网质量提出了更高的要求,如何有效地提高电能质量,愈来愈成为人们所关注的问题。有源电力滤波器（Active Power Filter,APF）实现了电网谐波的高精度动态补偿,同时又兼顾了无功补偿等优点,成为当前电网谐波治理领域的重要研究方向。本文以并联型有源电力滤波器作为
行人检测是计算机视觉和图像处理领域的研究热点,广泛应用于智能视频监控、自动驾驶和智能机器人等领域。传统行人检测方法在一定条件下可以获得较好的行人检测效果,但在分辨率低、行人尺寸较小的情境下存在检测精度低的问题。针对上述问题,本文将深度学习方法中的基于区域全卷积网络（R-FCN）的目标检测算法引入到行人检测中,在R-FCN基础上做了一些改进,提出了一种基于区域全卷积网络的行人检测研究。首先,为了使行
随着互联网技术发展和国民收入增加,外卖订单的数量在持续的增加,给外卖行业带来的前所未有的发展机遇。外卖配送作为整个外卖过程中的核心业务,在其配送的过程之中,外卖路线的规划对于外卖配送效率、外卖配送成本以及用户的满意度将会产生巨大的影响。外卖市场处于激励的竞争阶段,采用合理、科学的方法对外卖配送路线进行规划,如何在保证配送服务质量的前提下控制外卖配送成本、提高外卖配送效率是外卖平台一个需要解决的问题
针对卷积神经网络浅层提取的特征利用率低,高低层特征互补优势难以利用的问题,提出了选择性特征连接机制（Selective Feature Connection Mechanism,SFCM）融合卷积神经网络高低层特征的方法以提高图像识别精度。首先,选定卷积神经网络低层特征,通过平均池化对低层特征降维,输出携带较多细节信息的低层特征;其次,按照卷积神经网络高层特征元素值越大,它所对应的位置特征越关键的
方面级情感分析（Aspect-based Sentiment Analysis,ABSA）作为一种细粒度的情感分析方法,可以对文本特定目标进行相应的情感倾向判定。针对现有基于注意力机制的方面级情感分析方法多关注词的相对位置特征,忽略上下文绝对位置特征的问题,本文提出了一种基于门控卷积神经网络的方面级情感分析模型Pos ATT-GTRU-ABSA。首先,模型使用Laplacian核函数构建相对位置特
音乐流派分类领域中音频特征的流派性表达、特征提取的设计,严重影响分类方法的精度和泛化性,因此提出一种将双注意力融合进行特征提取的深度卷积神经网络（DCNN-AFC）模型,并对音频功率谱图中特征的流派性表达进行增强。首先,为考虑音频功率谱图中音乐流派特征的多样性,在特征提取阶段采用梅尔滤波方法,以模拟人耳听觉系统的滤波器对音频信号进行有效过滤,通过对梅尔滤波后的信号进行维度还原,确保音频信号的流派特
处于电力系统最末端的配电网络是对电能进行分配的重要环节之一,近年来,随着接入配电网的负荷不断增加,配电网结构越加复杂,对配电网络的可靠性的要求也不断提高。采用小电流接地系统的配电网络在发生单相接地故障后虽然可以带故障运行1～2小时,但若不能及时准确确定故障线路故障点,极有可能会引起相间短路,给系统运行带来了极大的安全隐患。实现配电网络快速、准确的故障定位,对整个电力系统安全稳定运行具有十分重要的意