LSTM神经网络在时间序列建模中的应用研究

发布时间：2023-04-02 15:40

　　大数据时代的到来,将信息渗入到当今各个产业领域,成为重要的社会生产因素。人们对海量数据进行挖掘和运用,随着时间的推移,对时间序列数据的分析预测也日益增多。如今,经济金融实现全球一体化,经济市场规模不断增大,股票市场作为经济市场的重要组成部分,成为人们分析预测时序数据的代表。传统的时间序列分析难以较好地对股票这样非平稳、非线性的时序数据进行拟合,神经网络依靠它强大的信息处理能力逐渐应用于分析不同类型的数据当中。对于预测股票这类时间序列数据,最适合的网络模型是循环神经网络(RNN),研究者们使用长短期记忆网络(LSTM)对其进行了改进,解决了长期依赖问题。本文以LSTM网络模型作为基本模型,选取了三组17维指标的个股数据以及24维指标的股指数据,将数据进行清洗并且标准化从而消除量纲的影响。首先,详细介绍了RNN网络及LSTM网络的相关理论知识并建立了基于LSTM网络预测模型。其次介绍了两种特征提取的方法,分别是主成分分析法(PCA)和去噪自编码网络(DAE),本文借助PCA的降维结果作为DAE的降维参考。最后在DAE-LSTM网络模型中引入注意力机制(Attention Mechanism...

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 研究内容和组织结构
2 神经网络相关理论
    2.1 深度学习理论介绍
    2.2 循环神经网络
    2.3 长短期记忆神经网络
    2.4 本章小结
3 基于特征提取的LSTM神经网络预测模型
    3.1 数据集选取
        3.1.1 股价指标体系
        3.1.2 股指指标体系
    3.2 数据预处理
    3.3 基于LSTM网络预测模型
        3.3.1 数据集划分及参数说明
        3.3.2 模型评价指标及结果
    3.4 基于特征提取的LSTM预测模型
        3.4.1 主成分分析
        3.4.2 自编码器
        3.4.3 实证分析
    3.5 本章小结
4 基于LSTM特征提取的注意力机制模型
    4.1 注意力机制的发展
    4.2 注意力机制的构造
    4.3 实证分析
    4.4 注意力机制稳定性分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3779485