基于深度神经网络集成和信息论学习的时间序列预测

论文摘要

时间序列预测研究的是如何利用时间序列数据的历史观测值对其未来发展变化做出合理有效地推断,涉及统计学、计算机科学等多个学科。时间序列数据几乎无处不在,与人们的生产生活息息相关。近年来,伴随着信息科学和计算机技术的飞速发展,越来越多的技术方法被应用于解决时间序列预测问题。传统的基于时间序列模型的分析方法能够很好地解决低维线性数据的预测问题,但是它们在处理普遍存在的高维非线性时间序列数据时,表现出许多不足之处。人工神经网络是一类非线性、基于数据驱动的机器学习方法,它经过几十年的发展,衍生出目前较为成熟的深度学习技术。本文重点研究了深度学习技术在时间序列预测问题中的应用,充分利用深度神经网络模型对非线性系统的学习能力,提高时间序列预测的精度。本文的主要工作是基于两种典型的深度神经网络,对时间序列预测模型进行了两方面的改进研究,其中包括考虑非高斯噪声等复杂环境的影响以及改进预测模型自身的不足。具体内容如下:首先,基于长短期记忆网络和卷积神经网络,我们实现了两种面向时间序列单步预测问题的深度神经网络预测模型,作为后续对时间序列预测模型改进研究的基础,并分别在混沌时间序列模拟数据集和交通流量数据集上进行了测试。然后,考虑到实际生产生活中的时间序列数据往往会受到非高斯噪声的影响,本文进一步研究了将信息论学习方法应用于对深度神经网络预测模型的改进,提出了基于中心化误差熵损失函数的深度神经网络预测模型。最后,针对深度神经网络模型训练不稳定的不足,本文研究了将集成学习方法应用于对深度神经网络预测模型的改进,提出了基于噪声扰动集成方法的深度神经网络集成模型。

论文目录

• 致谢
• 摘要
• Abstract
• 1 绪论
•   1.1 课题的研究背景与意义
•   1.2 时间序列预测概述
•   1.3 基于神经网络的时间序列预测发展现状
•   1.4 信息论学习概述
•   1.5 集成学习概述
•   1.6 本文研究内容与结构
• 2 基于深度神经网络的时间序列预测模型
•   2.1 引言
•   2.2 深度神经网络背景知识
•   2.3 两类典型的深度神经网络
•   2.4 基于深度神经网络的时间序列预测
•   2.5 实验与结果分析
•   2.6 小结
• 3 基于信息论测度的深度神经网络预测模型
•   3.1 引言
•   3.2 信息论学习
•   3.3 基于中心化误差熵损失函数的预测模型
•   3.4 实验与结果分析
•   3.5 小结
• 4 基于深度神经网络集成的时间序列预测模型
•   4.1 引言
•   4.2 集成学习与时间序列预测
•   4.3 基于深度神经网络集成的时间序列预测模型
•   4.4 实验与结果分析
•   4.5 小结
• 5 总结与展望
• 参考文献
• 作者简历
• 攻读硕士学位期间的研究成果

文章来源

类型: 硕士论文

作者: 权钲杰

导师: 李春光

关键词: 时间序列预测,深度神经网络,信息论学习,集成学习

来源: 浙江大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,自动化技术

单位: 浙江大学

分类号: O211.61;TP18

DOI: 10.27461/d.cnki.gzjdx.2019.000082

总页数: 106

文件大小: 6308K

下载量: 347