基于LSTM混合模型的时间序列预测

论文摘要

时间序列数据往往反映了某个事件发展的规律,蕴含着丰富的潜在信息。长短期记忆（LSTM）神经网络由于其网络结构的特殊性可以储存信息,解决长期依赖问题,常被用于时间序列预测。对LSTM的研究有利于高效挖掘出时序数据中的重要信息,对社会、经济等各个方面的发展均有着重要的影响。本文以LSTM为研究对象,提出了基于Xgboost特征选择和LSTM神经网络的XGB-LSTM混合模型,在三个不同时间序列数据集:某行股票数据、SML2010以及北京PM2.5上进行了实证分析。本文的研究主要集中在以下三个方面:首先,基于某银行股票数据集对LSTM神经网络进行了探索性分析,探究了时间步长、神经元个数和批量大小等参数对LSTM神经网络性能和效率的影响,为后续研究中如何提升LSTM的训练精度和速度提供了参考价值。研究表明,其余参数相同时,LSTM训练时长随着时间步长和神经元个数的增加而增加,不同的参数会对模型性能带来一定的影响。因此,先利用经验信息结合数据实际情况确定参数大致范围,再运用网格搜索、随机搜索等调参方法合理选择参数,有利于提升LSTM神经网络的预测精度和训练速度。其次,在SML2010数据集上分别建立了XGB-LSTM混合模型、LSTM、PCALSTM混合模型进行对比分析,论证了XGB-LSTM混合模型的有效性。结果表明,XGB-LSTM混合模型不仅能够节约时间开销,还能够减少噪声,提升模型的精度和稳定性。最后,将XGB-LSTM混合模型应用于北京PM2.5浓度的预测,并将其与Xgboost、LSTM、GRU和BP神经网络进行对比分析,研究表明LSTM神经网络及其混合模型在时间序列预测中较其余模型具有更高的预测精度,XGB-LSTM混合模型更适用于高维大样本数据集。

论文目录

• 摘要
• Abstract
• 1 绪论
•   1.1 研究背景及选题意义
•   1.2 国内外研究现状
•   1.3 研究内容及创新点
• 2 时间序列预测
•   2.1 时间序列概述
•   2.2 时间序列预测方法
• 3 相关技术及其理论基础
•   3.1 特征选择和降维技术
•   3.2 Xgboost理论基础
•   3.3 BP神经网络理论基础
•   3.4 循环神经网络理论基础
•   3.5 XGB-LSTM混合模型
• 4 实验数据集及评价指标介绍
•   4.1 实验数据集
•   4.2 评价指标
• 5 实证分析
•   5.1 实验环境
•   5.2 数据预处理
•   5.3 基于实例数据的探索性分析
•   5.4 XGB-LSTM混合模型的有效性验证
•   5.5 XGB-LSTM混合模型的应用
•   5.6 本章小结
• 6 总结与展望
•   6.1 总结
•   6.2 展望
• 致谢
• 参考文献

文章来源

类型: 硕士论文

作者: 庞敏

导师: 吴娟

关键词: 时间序列,特征选择

来源: 华中科技大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展

单位: 华中科技大学

分类号: F224

DOI: 10.27157/d.cnki.ghzku.2019.002617

总页数: 55

文件大小: 1544K

下载量: 249