融合新闻事件和深度学习的时间序列预测方法研究

发布时间：2021-02-17 13:46

　　时间序列研究对象是随着时间变化的某种现象,在生活中广泛存在,比如:通过对电影票房预测使得影院能够更好的排片;通过对地区的经济情况进行预测,为公司、国家的投资提供支持。因此研究该问题对国计民生都具有重要的意义。ARIMA（Autoregressive Integrated Moving Average Model）要求时序数据是稳定的。SVM（Support Vector Machine）受限于核函数种类稀少,只在特定的情况下有较好的效果。适用于时间序列预测的循环神经网络及其改进型不仅能够记忆历史规律信息,而且能够拟合非常复杂的非线性问题。但是这些方法不能够记忆长远的历史信息。另外,历史数据对突发事件的缺乏表达也会影响预测的精度。为了解决上述问题,提出一种融合新闻事件的深度学习时间序列预测模型NS_TCL（News Sentiment,Temporal Convolution and Long Short Term Memory）。首先针对历史规律对突发事件的缺乏表达得问题,NS_TCL使用实时性强的相关互联网新闻解决。使用词向量,Self-Att... 

【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】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题研究背景
    1.2 课题研究意义与目的
    1.3 国内外研究现状
    1.4 论文主要研究内容
    1.5 论文组织结构
2 相关技术综述
    2.1 时间序列预测常用模型
    2.2 新闻舆情分析方法
    2.3 本章小结
TCL模型设计">3 NS_TCL模型设计
    3.1 基于Self-Attention新闻舆情分析方法
    3.2 基于CNN的长短期历史特征提取
    3.3 基于CNN和 LSTM的时间序列预测模型整体结构
TCL模型">    3.4 NS_TCL模型
    3.5 本章小结
4 实验与分析
    4.1 实验数据集
    4.2 实验设计
    4.3 实验结果展示与分析
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录1 攻读硕士学位期间参与的科研项目
附录2 攻读硕士学位期间申请的专利
附录3 攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]基于LSTM-RNN模型的铁水硅含量预测[J]. 李泽龙,杨春节,刘文辉,周恒,李宇轩.  化工学报. 2018(03)
[2]基于ARIMA模型的短期股票价格预测[J]. 吴玉霞,温欣.  统计与决策. 2016(23)
[3]基于BP神经网络的管道泄漏声信号识别方法研究[J]. 焦敬品,李勇强,吴斌,何存富.  仪器仪表学报. 2016(11)
[4]量子遗传算法优化BP神经网络的网络流量预测[J]. 张立仿,张喜平.  计算机工程与科学. 2016(01)
[5]基于网络大数据的社会经济预测综述[J]. 苏志,张骐.  情报杂志. 2015(07)
[6]基于BP人工神经网络的雾霾天气预测研究[J]. 艾洪福,石莹.  计算机仿真. 2015(01)
[7]基于深度学习的微博情感分析[J]. 梁军,柴玉梅,原慧斌,昝红英,刘铭.  中文信息学报. 2014(05)
[8]基于情感词典扩展技术的网络舆情倾向性分析[J]. 杨超,冯时,王大玲,杨楠,于戈.  小型微型计算机系统. 2010(04)
[9]多元线性回归的预测建模方法[J]. 王惠文,孟洁.  北京航空航天大学学报. 2007(04)



本文编号：3038071