基于集成回声状态网络的时间序列预测问题研究

发布时间：2024-05-11 03:30

　　回声状态网络(Echo State Network,ESN)是对时间序列数据进行分析和预测的高效神经网络工具,并已被广泛应用于时间序列分析的各个研究与应用领域。然而,现实中的时间序列往往呈现出高维度、非线性、不平稳、序列特征多变等性质,使用现有的ESN技术对时间序列数据进行分析依然存在不足。集成学习技术通过有效组合若干模型,能够有效克服传统预测方法容易过拟合和不稳定等缺陷,而目前基于集成学习策略的ESN建模方法尚未得到深入研究和广泛应用。本文以时间序列预测为背景,结合各领域实际应用问题,研究基于集成学习策略的ESN预测建模和应用,主要内容包括以下三个方面:首先,由于集成学习方法通常需要组合一定规模的基础模型,因此计算和存储都比较占用资源,并且目前的神经网络集成预测研究很少考虑集成效率和资源消耗,因此本文提出具有稀疏结构的自适应提升集成ESN预测方法(Adaboost_sp-ESN),通过在传统的Adaboost集成算法中引入模型筛选机制,Adaboost_sp-ESN有效提升了计算效率,并保证了预测精度。结合国内工业用电需求预测实际问题,本文对所...

【文章页数】：147 页

【学位级别】：博士

【文章目录】：
摘要 Abstract 1
    绪论 1.1
    研究背景与意义 1.2
    研究面临的关键问题 1.3
    研究内容及创新点 1.4
    研究方法与技术路线 1.5
    论文结构和主要内容 2
    国内外相关研究综述 2.1
    时间序列预测研究现状 2.2
    回声状态网络研究现状 2.3
    神经网络集成学习研究现状 2.4
    集成ESN研究现状 2.5
    本章小结 3
    基于稀疏自适应提升的ESN工业用电预测方法研究 3.1
    引言 3.2
    Adaboostsp-ESN集成预测模型 3.3
    数据来源、预处理及误差指标 3.4
    对比算法与参数设置 3.5
    实验结果展示与讨论 3.6
    本章小结 4
    基于SAE-ESN的网络搜索指数旅游需求预测方法研究 4.1
    引言 4.2
    SAE架构介绍 4.3
    SAEN集成预测模型 4.4
    数据来源、预处理及误差指标 4.5
    对比算法与参数设置 4.6
    实验结果展示与讨论 4.7
    本章小结 5
    基于RF-ESN的多因素原油价格预测方法研究 5.1
    引言 5.2
    回归树与随机森林 5.3
    RF-ESN集成预测模型 5.4
    数据来源、预处理及误差指标 5.5
    对比算法与参数设置 5.6
    实验结果展示与分析 5.7
    本章小结 6
    总结与展望 6.1
    全文总结 6.2
    研究展望 致谢 参考文献 附录1
    攻读博士学位期间发表的论文 附录2
    攻读博士学位期间参加的科研课题



本文编号：3969457