基于VMD-FFT-LSTM模型的BDI指数预测

论文摘要

为提升非线性BDI指数的预测效果,分析了多种预测模型对BDI指数的单步及多步预测结果,借助"分解-重构-预测"思路,设计构建了VMD-FFT-LSTM组合预测模型.首先,通过VMD算法分解出BDI指数的IMF分量;然后,结合BDI指数周期理论与FFT算法计算的周期结果重构IMF,达到降噪的目的;最后,运用LSTM模型对重构序列进行多步预测.对比多步预测结果,VMD-FFT-LSTM组合模型预测结果在精度及稳定性上表现更好,解决了SVR模型多步预测结果易在序列局部极值点处出现较大偏差的局限性问题.

论文目录

• 0 引 言
•   （1） 理论导向型模型.
•   （2） 数据导向型模型.
• 1 思路构建与模型设计
•   1.1 BDI预测模型思路构建
•   1.2 变分模态分解模型
•   1.3 长短时记忆网络
• 2 数据选取及分析
•   2.1 数据采集与预处理
•   2.2 预测结果误差评估标准
• 3 实证结果及分析
•   3.1 基于SVR、PSO-SVR、DNN、LSTM模型的BDI指数单步预测分析
•   3.2 基于SVR、PSO-SVR、DNN、LSTM模型的BDI指数多步预测分析
•   3.3 基于VMD-FFT-LSTM组合预测模型的BDI指数多步预测分析
• 4 结 语

文章来源

类型: 期刊论文

作者: 武华华,匡海波,宋扬

关键词: 指数预测,算法,长短时记忆网络,模型

来源: 大连海事大学学报 2019年03期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技,经济与管理科学

专业: 公路与水路运输,自动化技术,交通运输经济

单位: 大连海事大学综合交通运输协同创新中心,大连海事大学交通运输工程学院

基金: 国家自然科学基金资助项目(71831002,71672016),长江学者和创新团队发展计划资助项目(IRT_17R13),辽宁省高等教育内涵发展专项资金(20110117406)

分类号: F551;TP183

DOI: 10.16411/j.cnki.issn1006-7736.2019.03.002

页码: 9-16

总页数: 8

文件大小: 314K

下载量: 251