论文摘要
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(Adaboostsp-ESN),通过在传统的Adaboost集成算法中引入模型筛选机制,Adaboostsp-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,本文对所提出的Adaboostsp-ESN模型进行了性能验证。其次,虽然ESN对时间序列具有很好的拟合能力,但在面对高维度数据时的特征提取能力不足,无法有效从高维数据中学习到有效的预测特征。为了解决此类问题,本文提出了一种组合堆叠自编码神经网络(Stacked Autoencoder,SAE)和ESN的神经网络集成预测模型(SAEN),利用SAE深度网络的逐层特征学习能力和ESN的序列拟合能力解决高维时间序列预测问题。本文研究了基于大规模网络搜索指数时间序列的旅游需求预测问题,并结合这一实际预测问题验证了SAEN的预测性能和方法特性。最后,考虑到ESN本身不具备特征选择机制,不能较好地处理多因素时间序列,本文提出了基于随机森林特征分组的ESN集成预测模型(RF-ESN)。RF-ESN是一种融合了特征选择能力的集成ESN方法。RF-ESN使用随机森林对外部因素进行自动分组,得到当前抽样数据集下最具辨识能力的预测特征子集。RF-ESN基于分组特征和抽样数据集学习若干ESN网络,因而提高ESN的泛化能力。RF-ESN适用于多因素影响下的时间序列预测问题,并能基于回归树的特征选择路径对外部因素的重要性进行评估,弥补了集成神经网络特征选择能力的不足。本文基于WTI国际原油价格预测这一经典预测问题,对RF-ESN的性能进行评估,同时基于RF-ESN的输出结果对原油价格影响因素进行分析。
论文目录
文章来源
类型: 博士论文
作者: 吕盛祥
导师: 王林
关键词: 时间序列预测,非线性模型,回声状态网络,集成学习策略,神经网络集成预测
来源: 华中科技大学
年度: 2019
分类: 基础科学,信息科技
专业: 数学,自动化技术
单位: 华中科技大学
分类号: TP183;O211.61
DOI: 10.27157/d.cnki.ghzku.2019.000164
总页数: 147
文件大小: 10475K
下载量: 175
相关论文文献
- [1].基于经验模态分解生成对抗网络的金融时间序列预测[J]. 计算机应用与软件 2020(05)
- [2].卡尔曼滤波及其在时间序列预测中的应用[J]. 仪表技术 2010(07)
- [3].基于逆模糊数的模糊时间序列预测的新方法[J]. 数学的实践与认识 2015(07)
- [4].一型模糊逻辑系统在时间序列预测中的应用[J]. 辽宁工业大学学报(自然科学版) 2012(05)
- [5].基于灰色时间序列预测中国汽车销量[J]. 湖州职业技术学院学报 2012(01)
- [6].基于加权支持向量机的金融时间序列预测[J]. 商业研究 2010(01)
- [7].核函数支持向量机的时间序列预测应用研究[J]. 消费导刊 2008(10)
- [8].预则立——时间序列预测技术之广电业务应用[J]. 中国数字电视 2011(10)
- [9].时间序列预测的发展与应用[J]. 兵工自动化 2015(02)
- [10].基于MATLAB的时间序列预测[J]. 电脑知识与技术 2015(29)
- [11].模糊时间序列预测的连续点逆模糊数预测模型[J]. 黑龙江大学自然科学学报 2014(03)
- [12].基于SVM的死亡率时间序列预测设计与分析[J]. 中国卫生统计 2010(01)
- [13].基于灰关联分析的多因素时间序列预测研究与应用[J]. 漳州职业技术学院学报 2009(04)
- [14].一种基于时间序列预测的重采策略[J]. 中文信息学报 2019(07)
- [15].时间序列预测技术综述[J]. 信息通信 2018(11)
- [16].基于TensorFlow的时间序列预测系统[J]. 现代计算机 2019(14)
- [17].Granger相关性与时间序列预测[J]. 控制与决策 2014(04)
- [18].犯罪时间序列预测分析方法研究——以CrimeStat软件为例[J]. 中国人民公安大学学报(自然科学版) 2019(02)
- [19].基于混合模型的模糊时间序列预测的研究[J]. 辽宁工业大学学报(自然科学版) 2015(03)
- [20].基于最小二乘支持向量机的复杂金融时间序列预测[J]. 清华大学学报(自然科学版)网络.预览 2008(07)
- [21].对于不平衡数据的模糊时间序列预测[J]. 计算机与现代化 2017(12)
- [22].电子系统状态时间序列预测的优化相关向量机方法[J]. 系统工程与电子技术 2013(09)
- [23].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(S2)
- [24].混合多个SVR模型的金融时间序列预测[J]. 微型电脑应用 2013(03)
- [25].多任务LS-SVM在时间序列预测中的应用[J]. 计算机工程与应用 2018(03)
- [26].一种新的基于DFNN的时间序列预测[J]. 科学技术与工程 2010(32)
- [27].用小波分析和支持向量机的方法预测精度损失[J]. 工业计量 2009(01)
- [28].基于加权核函数SVR的时间序列预测[J]. 现代计算机(专业版) 2019(06)
- [29].WFAR模型在时间序列预测中的应用[J]. 沈阳师范大学学报(自然科学版) 2019(01)
- [30].基于改进SVC的金融时间序列预测[J]. 现代商业 2014(05)
标签:时间序列预测论文; 非线性模型论文; 回声状态网络论文; 集成学习策略论文; 神经网络集成预测论文;