基于深度学习的复杂时间序列分析

发布时间：2020-06-15 09:15

【摘要】：时间序列分析指对一定时间段内的时间序列数据的特征提取和建模,在宏观经济学、天文学、海洋学、医学等学科中有着广泛地应用。随着大数据时代的到来,随着计算机技术在金融、医疗、艺术等各个领域的应用,时间序列数据越来越频繁地在工作与生活中产生,并且,相较早年的时间序列数据,现在的时间序列数据具有数据量更大与数据更加复杂的特点。其中数据量地提升一方面给更复杂的模型的训练提供了条件,另一方面又对算法的效率提出了更高的要求;而数据复杂程度的提升则意味着传统针对简单时间序列的模型可能不再适用,需要诸如深度神经网络的模型来处理复杂时间序列。除了数据量的提升和数据复杂程度的提升外,伴随海量数据而来的数据缺失也是时间序列研究中所面临的新问题,如何进行劣质复杂时间序列修复与如何使得复杂时间序列预测算法可以容忍数据缺失都成为了新的研究方向。秉承“从简单到复杂”的原则,针对数据缺失与算法效率问题,本文首先就时间序列提出了一种容忍数据缺失的任意时间时间序列预测算法,以高效地利用含缺失的劣质时间序列训练模型,本文给出了其收敛性的理论界限,并且利用实验验证了算法的有效性。再而,在通过对比实验发现传统方法的局限性后,本文利用条件随机场与循环神经网络,分别以基于Stacking的模型融合和深度学习两种方式提出了复杂时间序列预测模型,以解决复杂时间序列的预测和修复问题。利用天气数据、风机组数据等生产生活中的真实复杂时间序列数据,本文验证了算法的效果。最后,本文将研究目光集中在利用生成对抗网络解决复杂时间序列问题,在研究生成对抗网络的前沿进展后,本文提出了一种复杂时间序列修复模型,直接利用缺失数据生成完整数据,并尝试利用生成对抗网络的训练模式对其进行训练,在真实工业数据上的实验结果表明,该模型相较于基于预测的修复模型,不仅更加实用,在效果上也有显著提升。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP181;O211.61
【图文】：

时间序列,测量数据,时间序列数据,时间序列

图 1-1 部分锅炉组测量数据2 复杂时间序列分析的意义针对复杂时间序列的数据分析与挖掘是非常有意义的工作，首先，我时间序列数据进行分类，例如，利用对工业系统中的复杂时间序列的挖可以自动判断系统是否正常工作，利用对音频、视频这样复杂时间序我们可以进行自动监控；再而，我们可以对时间序列数据做出预测，测在股票，期货这样的时间序列上能产生巨大的收益。3 复杂时间序列修复的意义修复含有异常值与数据缺失的复杂时间序列数据同样是十分有意义的，一些时间序列挖掘方法对数据缺失和异常值的容忍能力是比较低的数据造成这些方法效果不佳，可是直接丢弃劣质的时间序列数据又可用以分析的数据的不足；再而，对诸如音频，视频这样的复杂时间序可以起到降低带宽，降低存储空间的效果，产生巨大的经济价值。

时间序列,研究脉络

有效率得深度学习也是一大问题。针对上述问题与 1.2.3 中所总结的问题，本文进行了相关地研究，1.4 小节中，将概括地介绍这些工作。1.4 本文的主要研究内容本文主要包括三个部分的研究内容，其中各个部分的研究内容都有逐步递进的关系，首先针对简单时间序列的研究使得我们认识到使用预测值填补仍然是行之有效的容忍数据缺失策略、传统方法在处理复杂时间序列问题时的不足以及数据修复的必要性。基于此，我们利用循环神经网络挖掘时序特性，利用条件随机场刻画维度间的特征，提出了基于预测值填补的复杂时间序列预测与修复算法。在此之后，考虑到基于预测的数据修复算法往往需要一部分完整数据，这与实际应用场景不符，并且利用预测模型时当前时刻待修复的不完整数据无法被应用，我们便将研究目光转移到如何直接利用含缺失值的劣质数据生成完整数据，提出了复杂时间序列修复算法。综上，本文的研究脉络如图 1-2 所示。

【相似文献】