基于LSTM混合模型的时间序列预测

发布时间：2021-01-03 22:11

　　时间序列数据往往反映了某个事件发展的规律,蕴含着丰富的潜在信息。长短期记忆（LSTM）神经网络由于其网络结构的特殊性可以储存信息,解决长期依赖问题,常被用于时间序列预测。对LSTM的研究有利于高效挖掘出时序数据中的重要信息,对社会、经济等各个方面的发展均有着重要的影响。本文以LSTM为研究对象,提出了基于Xgboost特征选择和LSTM神经网络的XGB-LSTM混合模型,在三个不同时间序列数据集:某行股票数据、SML2010以及北京PM2.5上进行了实证分析。本文的研究主要集中在以下三个方面:首先,基于某银行股票数据集对LSTM神经网络进行了探索性分析,探究了时间步长、神经元个数和批量大小等参数对LSTM神经网络性能和效率的影响,为后续研究中如何提升LSTM的训练精度和速度提供了参考价值。研究表明,其余参数相同时,LSTM训练时长随着时间步长和神经元个数的增加而增加,不同的参数会对模型性能带来一定的影响。因此,先利用经验信息结合数据实际情况确定参数大致范围,再运用网格搜索、随机搜索等调参方法合理选择参数,有利于提升LSTM神经网络的预测精度和训练速度。其次,在SML2010数据集上分别... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及选题意义
    1.2 国内外研究现状
    1.3 研究内容及创新点
2 时间序列预测
    2.1 时间序列概述
    2.2 时间序列预测方法
3 相关技术及其理论基础
    3.1 特征选择和降维技术
    3.2 Xgboost理论基础
    3.3 BP神经网络理论基础
    3.4 循环神经网络理论基础
    3.5 XGB-LSTM混合模型
4 实验数据集及评价指标介绍
    4.1 实验数据集
    4.2 评价指标
5 实证分析
    5.1 实验环境
    5.2 数据预处理
    5.3 基于实例数据的探索性分析
    5.4 XGB-LSTM混合模型的有效性验证
    5.5 XGB-LSTM混合模型的应用
    5.6 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献


【参考文献】：
期刊论文
[1]基于随机森林的长短期记忆网络气温预测[J]. 陶晔,杜景林.  计算机工程与设计. 2019(03)
[2]基于LSTM的城市公交车站短时客流量预测研究[J]. 李高盛,彭玲,李祥,吴同.  公路交通科技. 2019(02)
[3]基于深度学习的时间序列算法综述[J]. 沈旭东.  信息技术与信息化. 2019(01)
[4]电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 彭文,王金睿,尹山青.  电网技术. 2019(05)
[5]基于随机森林特征选择算法的鼻咽肿瘤分割[J]. 李鲜,王艳,罗勇,周激流.  计算机应用. 2019(05)
[6]时间序列预测技术综述[J]. 何亚磊,许乾坤.  信息通信. 2018(11)
[7]基于GRU网络的互联网信息挖掘[J]. 李骁,黄征.  信息技术. 2018(03)
[8]基于深度学习LSTM网络的短期电力负荷预测方法[J]. 陈卓,孙龙祥.  电子技术. 2018(01)
[9]基于CNN和LSTM深度网络的伪装用户入侵检测[J]. 王毅,冯小年,钱铁云,朱辉,周静.  计算机科学与探索. 2018(04)
[10]基于LSTM网络的序列标注中文分词法[J]. 任智慧,徐浩煜,封松林,周晗,施俊.  计算机应用研究. 2017(05)

博士论文
[1]神经网络及其组合模型在时间序列预测中的研究与应用[D]. 潘丽娜.兰州大学 2018

硕士论文
[1]基于GRU神经网络的时间序列预测研究[D]. 刘洋.成都理工大学 2017
[2]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[3]基于灰色理论和神经网络的中长期电力负荷预测的研究[D]. 杨超.天津理工大学 2015
[4]时间序列分析方法研究及其在陕西省GDP预测中的应用[D]. 魏宁.西北农林科技大学 2010
[5]BP神经网络算法改进及应用研究[D]. 黄丽.重庆师范大学 2008



本文编号：2955571