基于深度学习的多变量时间序列预测算法与应用研究

发布时间：2021-02-03 10:11

　　时间序列预测是典型的时间序列分析任务,对于辅助决策、资源配置、提前采取止损措施等方面有重要意义,在包括电力、气象、交通、商业等领域有广泛应用。基于深度学习的时间序列预测算法以数据驱动的方式,学习序列特征,建模历史数据和未来数据之间的映射关系。由于深度学习模型在复杂度和序列特征表示方面的优势,近些年时间序列预测算法越来越多地采用深度神经网络进行构建,以捕捉复杂模式。在实际应用中基于深度学习的时间序列预测算法表现优于基于统计的时间序列分析预测算法。其中单变量时间序列预测、多变量时间序列预测、时间序列多步预测等一直是热门研究领域。另外,实时运行的信息系统产生大量时序数据,主要包括系统性能监测数据。预测系统性能的未来趋势可以为现代信息系统的日常运行维护提供重要帮助。随着信息系统的广泛部署,基于深度学习的时间序列预测算法在信息系统运维领域得到越来越多的应用。本文主要研究以下两个问题:（1）多变量时间序列预测算法的局部变量预测精度问题,即多变量预测算法在优化整体预测精度的同时如何保障局部变量的预测精度;（2）数据库管理系统（DBMS）的系统性能预测问题,即如何进行性能分数的趋势预测并挖掘具有前K影... 

【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景
    1.2 研究问题
        1.2.1 多变量时间序列预测的局部变量预测精度问题
        1.2.2 DBMS的系统性能预测问题
    1.3 主要贡献
        1.3.1 基于自演化预训练的多变量时序预测算法
        1.3.2 基于多任务神经网络的系统性能预测算法
    1.4 论文结构
第二章 相关工作
    2.1 单变量时间序列预测算法
    2.2 多变量时间序列预测
    2.3 时间序列多步预测
    2.4 系统性能预测
        2.4.1 网络流量预测
        2.4.2 其他软硬件性能预测
第三章 基于自演化预训练的多变量时间序列预测算法
    3.1 研究动机
        3.1.1 问题提出
        3.1.2 解决思路
    3.2 问题建模
    3.3 模型框架与算法设计
        3.3.1 框架介绍
        3.3.2 自演化预训练模型
        3.3.3 基于CNN-LSTM的多变量依赖关系建模· · · · · · · · · · · · · · · · · · ·
        3.3.4 融合与训练
    3.4 实验验证
        3.4.1 数据集
        3.4.2 基准算法
        3.4.3 算法评估指标
        3.4.4 预测精度分析
    3.5 本章小结
第四章 基于多任务神经网络的系统性能预测
    4.1 研究动机
        4.1.1 问题提出
        4.1.2 解决思路
    4.2 问题建模
        4.2.1 多步序列预测
        4.2.2 KPI重要性挖掘
    4.3 模型框架与算法设计
        4.3.1 框架介绍
        4.3.2 基于多级离散小波变换的序列分解
        4.3.3 Seq2Seq-Forecaster预测器
        4.3.4 相关性度量
        4.3.5 基于Stacked LSTM的关键指标挖掘
        4.3.6 多任务神经网络以及联合训练
    4.4 实验验证
        4.4.1 数据集
        4.4.2 基准算法
        4.4.3 算法评估指标
        4.4.4 多步预测结果分析
        4.4.5 指标挖掘结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 未来展望
致谢
参考文献
简历与科研成果



本文编号：3016332