导读:本文包含了时间序列预测法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:序列,神经网络,时间,平滑,深度,卷积,模型。
时间序列预测法论文文献综述
杨珺,佘佳丽,刘艳珍[1]（2019）在《基于深度置信网络的时间序列预测》一文中研究指出针对传统计算机神经网络存在梯度弥散、局部最小值、非线性时间序列长期预测性能不佳和高维序列数据复杂度高等问题,提出时序深度置信网络模型(timing deep belief network model,T-DBN).该模型预训练阶段采用改进的贪婪预训练算法,在预训练过程中使用梯度修正并行回火(gradient fixing parallel tempering,GFPT)算法,采用重构误差确定网络深度,在反向调整阶段采用拟牛顿法(BFGS算法),以获得更加准确的预测精度.结合相空间重构理论和BP (back propagation)神经网络,对中国江西省2016—2020年农业机械总动力进行了预测.针对高非线性的股票数据,提取同花顺软件1990-12-20—2018-03-30时间段内的上证指数特征信息,分别采用T-DBN、DBN和长短期记忆(long short-term memory,LSTM)模型进行股票预测,预测准确率分别为79. 3%、77. 9%和74. 6%,T-DBN模型的预测准确率高于DBN和LSTM模型.(本文来源于《深圳大学学报(理工版)》期刊2019年06期）
闫理跃,王厚军,刘震[2]（2019）在《考虑奇点扰动问题的时间序列预测方法》一文中研究指出目前,对于各种工业产品可靠性或者剩余寿命的预测方法通常都基于历史退化数据,这些历史数据的趋势变化可以为产品最终的维修和保障决策提供理论依据。然而,退化数据中出现的奇点扰动问题经常导致预测的准确性严重下降,这是可靠性预测领域的一个巨大挑战。为解决这个问题,该文采用样条函数方法作为数据趋势逼近模型,针对退化趋势中存在的各种奇点扰动情况,叁次非多项式样条模型的二阶导数可以形成观测状态序列。引入了一种改进的结合粒子群优化算法的加权隐马尔科夫方法来外推样条函数所生成的观测序列,计算所产生的参数将更新样条函数的参数,组成一套综合完整的优化预测器。仿真和实例实验均证明了该方法的有效性。(本文来源于《电子科技大学学报》期刊2019年06期）
许国艳,朱进,司存友,胡文斌,刘凡[3]（2019）在《基于CNN和MC的水文时间序列预测组合模型》一文中研究指出对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。(本文来源于《计算机与现代化》期刊2019年11期）
王宇飞,杜天苍[4]（2019）在《基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用》一文中研究指出针对大数据监控系统对时间序列预测准确性和实时性的需求,以及大数据监控系统中时间序列呈现趋势性和季节性变化的特点,选择Holt-Winters算法建立时间序列预测模型。首先介绍时间序列的概念和特点,然后分析Holt-Winters算法的原理以及预测条件。选取合适的平滑系数是影响Holt-Winters算法预测准确性的关键,结合L-BFGS算法在不同时间区间求最优解,实现动态平滑系数的选取。最后以用户2天的页面访问量作为实验数据,通过相对误差指标的比较分析,验证该算法能满足大数据监控系统对时间序列预测的需求,具有较好的实际应用效果。(本文来源于《计算机与现代化》期刊2019年11期）
张旭东,杜家浩,黄宇方,石东贤,缪永伟[5]（2019）在《基于多尺度层级LSTM网络的时间序列预测分析》一文中研究指出现有的深度学习研究都依赖于网络的自发学习能力,在训练过程中力求避免或尽量减少人为先验知识的设定,导致网络训练过程完全"黑盒",研究人员很难从语义上进行阐述。针对这种情况,文中提出了一种基于原始LSTM网络的改进——多尺度层级LSTM(Multi-Scale Hierarchical Long Short-Term Memory,MSH-LSTM)网络。该网络保留了神经网络的常规实现流程,在网络学习过程中将层级网络结构与人的经验知识有机结合,使网络在人为指引下有目的地训练,不再是完全的"黑盒",同时对时间序列更好地进行分析预测。为说明MSH-LSTM网络结构的有效性,实验选取了两种时间序列数据(气温、股票),结果表明,相较于ANN网络、LSTM网络及GRU网络,MSH-LSTM网络在保证网络适用性的同时更具分析预测优势。在气温实验中,由于MSH-LSTM与常规LSTM,GRU网络都利用了序列数据的时间因素,因此,它们的效果明显优于ANN;在股票实验中,MSH-LSTM的MAPE误差相对于常规LSTM,GRU,ANN网络分别平均提升了约19.65%,24.35%,46.30%。(本文来源于《计算机科学》期刊2019年S2期）
刘佳[6]（2019）在《时间序列预测模型的一点讨论》一文中研究指出时间序列预测法是指根据预测对象的历史数据,利用数理统计方法加以处理,来预测事物的发展趋势。本文主要介绍时间序列分析法,并结合案例给出具体应用。(本文来源于《科技经济导刊》期刊2019年29期）
胡仁飞[7]（2019）在《基于嵌入维的时间序列预测方法的实现与应用》一文中研究指出时间序列预测是一种常用的预测方法。时间序列分析的一个关键步骤是重构相空间,嵌入维是相空间重构中的一个重要参数,确定时间序列的最小嵌入维对时间序列的预测非常重要。本文实现了CAO提出的求取最小嵌入维的算法,基于最小嵌入维重构了样本空间,利用支持向量机对零售额进行了学习和预测,取得了一定的效果。(本文来源于《数字通信世界》期刊2019年10期）
李伟,严珂,陆慧娟,叶敏超[8]（2019）在《基于Adaboost.RT算法的隧道沉降时间序列预测研究》一文中研究指出目的:提高对隧道沉降问题的预测精度。方法:提出一种Adaboost.RT算法集成多种不同基学习模型的预测方法。该方法通过Adaboost.RT算法依据不断更新的权值训练基学习模型,然后使用加权策略结合基学习模型得到最终的强学习模型。结果:针对隧道工程实测数据进行仿真实验,结果表明,与各种学习模型和Adaboost.RT算法集成单一学习模型等方法相比,使用Adaboost.RT算法结合多种基学习模型的方法在预测精度与泛化性方面均有提升。结论:使用Adaboost.RT算法集成多模型的方法能够对隧道沉降问题进行有效的预测研究。(本文来源于《中国计量大学学报》期刊2019年03期）
刘天,姚梦雷,黄继贵,陈红缨,黄淑琼[9]（2019）在《BP神经网络在传染病时间序列预测中的应用及其MATLAB实现》一文中研究指出目的利用MATLAB软件,建立基于BP神经网络的传染病时间序列预测模型。方法以荆州市2005-01/2017-12和2018-01/05乙类传染病发病数作为拟合样本和预测样本,建立12-10-5叁层BP神经网络模型并预测2018-01/05的逐月发病数。以最小均方差(MSE)、R2、平均相对误差百分比(MAPE)、平均绝对误差(MAE)4个指标评价BP神经网络的拟合和预测效果。结果 BP神经网络拟合和预测的MSE、R2、MAPE、MAE依次分别为11 662.74,0.85,5.19%,85.87和32 729.59,0.22,12.20%,140.31。结论 BP神经网络对传染病时间序列拟合及预测效果较好;MATLAB软件能用于BP神经网络模型的建立。(本文来源于《预防医学情报杂志》期刊2019年08期）
林晶[10]（2019）在《时间序列预测方法研究》一文中研究指出Excel是当前使用最广泛、最普遍的电子表格软件,功能强大,操作简单,尤其是它的数据挖掘和统计分析功能。本文提出了一种时间序列预测方法,通过Excel软件,以北京PM2.5数据集为例,首先对数据进行预处理,填充缺失值,采用Microsoft时序算法进行数据建模和预测分析,最后计算平均预测误差。结果表明,本文提出的预测模型能够预测未来时刻的数据,误差较小,具有应用价值。(本文来源于《福建电脑》期刊2019年08期）
时间序列预测法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目前,对于各种工业产品可靠性或者剩余寿命的预测方法通常都基于历史退化数据,这些历史数据的趋势变化可以为产品最终的维修和保障决策提供理论依据。然而,退化数据中出现的奇点扰动问题经常导致预测的准确性严重下降,这是可靠性预测领域的一个巨大挑战。为解决这个问题,该文采用样条函数方法作为数据趋势逼近模型,针对退化趋势中存在的各种奇点扰动情况,叁次非多项式样条模型的二阶导数可以形成观测状态序列。引入了一种改进的结合粒子群优化算法的加权隐马尔科夫方法来外推样条函数所生成的观测序列,计算所产生的参数将更新样条函数的参数,组成一套综合完整的优化预测器。仿真和实例实验均证明了该方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
时间序列预测法论文参考文献
[1].杨珺,佘佳丽,刘艳珍.基于深度置信网络的时间序列预测[J].深圳大学学报(理工版).2019
[2].闫理跃,王厚军,刘震.考虑奇点扰动问题的时间序列预测方法[J].电子科技大学学报.2019
[3].许国艳,朱进,司存友,胡文斌,刘凡.基于CNN和MC的水文时间序列预测组合模型[J].计算机与现代化.2019
[4].王宇飞,杜天苍.基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用[J].计算机与现代化.2019
[5].张旭东,杜家浩,黄宇方,石东贤,缪永伟.基于多尺度层级LSTM网络的时间序列预测分析[J].计算机科学.2019
[6].刘佳.时间序列预测模型的一点讨论[J].科技经济导刊.2019
[7].胡仁飞.基于嵌入维的时间序列预测方法的实现与应用[J].数字通信世界.2019
[8].李伟,严珂,陆慧娟,叶敏超.基于Adaboost.RT算法的隧道沉降时间序列预测研究[J].中国计量大学学报.2019
[9].刘天,姚梦雷,黄继贵,陈红缨,黄淑琼.BP神经网络在传染病时间序列预测中的应用及其MATLAB实现[J].预防医学情报杂志.2019
[10].林晶.时间序列预测方法研究[J].福建电脑.2019
论文知识图
