基于多尺度层级LSTM网络的时间序列预测分析

论文摘要

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%。

论文目录

• 1 引言
• 2 LSTM网络
• 3 MSH-LSTM网络
•   3.1 数据预处理
•   3.2 数据分片
•   3.3 MSH-LSTM模型训练
•   3.4 过拟合
•   3.5 评价指标
• 4 实验分析
•   4.1 网络参数设置
•   4.2 气温实验
•     4.2.1 数据集说明及分片
•     4.2.2 实验结果
•   4.3 股票实验
•     4.3.1 数据集说明及分片
•     4.3.2 实验结果
•   4.4 实验分析

文章来源

类型: 期刊论文

作者: 张旭东,杜家浩,黄宇方,石东贤,缪永伟

关键词: 时间序列,短期预测,循环神经网络,层级网络

来源: 计算机科学 2019年S2期

年度: 2019

分类: 信息科技,基础科学

专业: 数学,自动化技术

单位: 浙江工业大学计算机科学与技术学院,浙江经贸职业技术学院,浙江理工大学信息工程学院

分类号: O211.61;TP183

页码: 52-57

总页数: 6

文件大小: 2003K

下载量: 416