基于神经网络方法的时间序列预测方案研究

发布时间：2021-03-01 12:25

　　时间序列数据广泛存在于在金融、天文、工业、医药、电力等诸多领域。时间序列具有连续性,随机性以及周期性,其特性表明了对其进行预测的可行性与困难性。通过分析时间序列数据,可以挖掘数据的周期性、基本趋势和关联规则等有价值的信息,还能够对未来走势进行预测。时间序列预测模型的应用范围十分广泛,包括电力需求预测、金融市场预测以及现代医疗诊断等领域,无论是为了获取商业利益还是规避风险,提高时间序列预测的准确性,都具有极大的研究价值和实用价值。针对不同时间尺度对时间序列进行预测,分为细粒度预测和粗粒度预测。目前的主要预测方法包括统计学习方法、传统机器学习方法、前馈神经网络方法和循环神经网络方法等。这些方法都有各自的限制或者需根据实际应用场景做出组合、调整、改进。在应用领域,预测精度每提高一点,都能带来巨大的收益。神经网络拥有通用的逼近能力,强大的计算能力和表达能力,是一种理想的规则和模式学习器,可以用来发展更高级形式的预测器。本文致力于研究神经网络工作原理,从而对其进行结构调整和改进,以及模型组合等工作,建立时间序列粗粒度和细粒度预测模型,提高时间序列预测精度。针对时间序列的细粒度预测问题,本文提出了... 

【文章来源】：南京邮电大学江苏省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图2.1两种预测模型

学硕士研究生学位论文 第三章 基于 LSTM 的数据中心能耗细粒度换机能量模式，仿真持续时间等参数设置信息，以及仿真持续期间，消耗W*h）和具体的各个组件消耗的总能量。并且，如图 3.2 所示，仿真结果仿真时间内各个时间点的能量消耗情况，默认的最小时隙单位为 1 秒，即耗情况，能耗序列数据数据以文本形式保存。

17图 3.2 各个组件能量消耗信息（时隙单位：1 秒）nnCloud 的主要参数设置如表 3.2 所示。与真实数据中心相比，实验系统在化。因为我们的模型是基于学习的黑盒模型，只要一个人拥有测量数据，数据中心功耗的方法可以很容易地用于其他更复杂的情况。使用相同的基使用其独特的工作负载为数据中心建模，模拟中的这些简化可以简化数据

【参考文献】：
期刊论文
[1]基于神经网络语言模型的时间序列趋势预测方法[J]. 王慧健,刘峥,李云,李涛.  计算机工程. 2019(07)
[2]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)

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
[2]时间序列短期预测模型研究与应用[D]. 张浒.华中科技大学 2013

硕士论文
[1]面向物联网时间序列数据深度学习的LSTM方法研究[D]. 谢小峰.湖南大学 2018
[2]基于ARIMA-LSSVM混合模型的股指预测研究[D]. 袁磊.哈尔滨工业大学 2015



本文编号：3057475