深度核极限学习机和相似性LSSVM时间序列预测模型研究

深度核极限学习机和相似性LSSVM时间序列预测模型研究

论文摘要

随着各类新型数据采集手段和大规模快速存储技术的广泛应用,各领域积累了海量的数据,并呈指数级增长,从数据挖掘价值、实现价值增值成为人们的共识。时间序列预测通过研究时间序列随时间变化的规律和时间序列本身的内在联系,对研究对象未来发展趋势进行估计和判断。当前,以机器学习、神经网络、深度学习技术为代表的数据分析及预测模型大量涌现,为解决海量复杂数据的分析问题提供了重要选择。无论是普适性模型还是针对某一特定领域的模型,如何有效提高预测精度一直是时间序列预测研究的重点问题。本文从两个方面进行研究:借鉴深度学习技术基本思想,以核极限学习机(Extreme Learning Machine with Kernel,KELM)为基本构件,提出了一种新的多隐层堆叠的深度时间序列预测模型;通过分析医院日门诊量变化的特点和规律,综合应用相似性方法、粒子群方法(Particle Swarm Optimization,PSO)和最小二乘支持向量机方法(Least Square Support Vector Machine,LSSVM),构建了新的组合模型,对医院门诊量短期预测进行研究。(1)深度核极限学习机时间序列预测模型。受深度学习思想启发,本文以KELM为基本构件,构造了新的自编码器KELM-AE,并以此为基础提出了新的多隐层堆叠网络模型深度核极限学习机(DL-KELM),其每个隐含层权值由KELM-AE独立确定,一经确定,无需调整,最后一个隐含层的输出作为KELM的输入来进行回归和分类。该模型通过引入KELM有效克服了ELM自身容易过拟合、结果受初始化参数影响较大的固有缺点,具有较高的计算速度。在多个领域的数据集上进行单步和多步预测实验表明,该模型具有较高的预测精度。(2)基于相似性方法和PSO-LSSVM的组合预测模型及医院门诊量预测研究。此部分主要针对医院门诊量短期预测这一具体问题开展研究,提出解决方案。通过对医院门诊量变化趋势进行分析,发现门诊量具有“周”周期性特点,即门诊量以七天为一个周期变化,周一门诊量最高,接着逐渐下降,周日最低。基于上述的规律性,本文组合相似性方法、粒子群优化算法和最小二乘支持向量机方法构造了新的组合预测模型。采用位于兰州市和乌鲁木齐市的两所三甲综合性医院日门诊量数据对模型预测性能进行验证,实验表明该方法预测精度较高,具有良好的应用前景。

论文目录

  • 中文摘要
  • Abstract
  • 第一章 绪论
  •   1.1 研究背景及意义
  •   1.2 国内外研究现状
  •     1.2.1 时间序列预测模型
  •     1.2.2 医院门诊量预测方法
  •   1.3 本文的研究思路及主要工作
  •   1.4 论文的组织结构
  • 第二章 理论基础与相关工作
  •   2.1 时间序列
  •     2.1.1 时间序列的定义
  •     2.1.2 时间序列的特点
  •   2.2 时间序列预测
  •     2.2.1 时间序列预测的概念及特点
  •     2.2.2 时间序列预测的步骤
  •     2.2.3 评价指标
  •   2.3 ELM模型
  •   2.4 自编码器技术
  •   2.5 深度学习
  •   2.6 Friedman检验
  • 第三章 深度核极限学习机时间序列预测模型
  •   3.1 引言
  •   3.2 深度核极限学习机模型
  •     3.2.1 核极限学习机自编码器
  •     3.2.2 深度核极限学习机预测模型
  •   3.3 实验与分析
  •     3.3.1 数据集
  •     3.3.2 实验设置
  •     3.3.3 结果与分析
  •     3.3.4 DL-KELM模型的优点
  •   3.4 小节
  • 第四章 基于相似性和PSO-LSSVM方法的组合预测模型和医院门诊量预测
  •   4.1 引言
  •   4.2 基于相似性和PSO-LSSVM方法的组合预测模型
  •     4.2.1 相似性方法
  •     4.2.2 PSO算法
  •     4.2.3 LSSVM方法
  •     4.2.4 基于相似性和PSO-LSSVM的组合预测模型
  •   4.3 实验与分析
  •     4.3.1 数据集
  •     4.3.2 实验设置
  •     4.3.3 结果与分析
  •   4.4 小节
  • 第五章 总结与展望
  •   5.1 本文工作总结
  •   5.2 下一步需要开展的工作
  • 参考文献
  • 在学期间的研究成果
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 桑发文

    导师: 陈晓云

    关键词: 时间序列预测,极限学习机,深度学习,组合预测模型,相似性方法

    来源: 兰州大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 数学,自动化技术

    单位: 兰州大学

    分类号: TP181;O211.61

    总页数: 63

    文件大小: 5210K

    下载量: 207

    相关论文文献

    • [1].基于灰狼算法的LSSVM模型预测凝析气藏露点压力研究[J]. 西安石油大学学报(自然科学版) 2020(02)
    • [2].基于自适应参数的LSSVM高校学生信用评估方法[J]. 电子技术与软件工程 2020(11)
    • [3].基于改进粒子群优化LSSVM的短期电力负荷预测[J]. 机电信息 2016(36)
    • [4].改进LSSVM迁移学习方法的轴承故障诊断[J]. 仪器仪表学报 2017(01)
    • [5].基于集成LSSVM增量学习方法研究与应用[J]. 计算机工程与设计 2017(10)
    • [6].最小残差法加速局部加权LSSVM求解及其应用[J]. 微型电脑应用 2014(11)
    • [7].基于LSSVM的真空玻璃传热过程建模[J]. 真空 2015(02)
    • [8].基于LSSVM的六价铬含量预测模型[J]. 现代电子技术 2017(03)
    • [9].基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究[J]. 电测与仪表 2020(06)
    • [10].基于多特征提取和LSSVM的轴承故障诊断[J]. 机床与液压 2020(17)
    • [11].基于LSSVM的多输入多输出开关磁阻电机建模[J]. 电机与控制学报 2015(06)
    • [12].基于人工免疫算法优化LSSVM的短期电力负荷预测[J]. 山西电力 2014(02)
    • [13].基于小波包和LSSVM的小电流接地故障选线[J]. 兰州交通大学学报 2012(06)
    • [14].基于遗传算法和LSSVM的网络安全事件发生频率预测[J]. 信息网络安全 2010(10)
    • [15].基于LSSVM的木材干燥在线建模研究[J]. 仪器仪表学报 2009(09)
    • [16].基于LSSVM的直线电机进给定位误差补偿研究[J]. 机械工程师 2008(04)
    • [17].基于LSSVM的地铁弓网系统广义动态建模与仿真[J]. 机车电传动 2017(05)
    • [18].稀疏LSSVM及其在语音识别中的应用[J]. 计算机工程与设计 2014(04)
    • [19].局部LSSVM方法在飞灰含碳量软测量中的应用[J]. 仪表技术 2009(05)
    • [20].基于LSSVM的木材干燥建模研究[J]. 自动化仪表 2008(12)
    • [21].改进果蝇优化LSSVM超声波萃取产物浓度软测量[J]. 声学技术 2020(02)
    • [22].基于核极化的特征选择在LSSVM的应用[J]. 计算机工程与应用 2017(19)
    • [23].基于LSSVM的污水处理过程预测控制[J]. 新型工业化 2015(08)
    • [24].基于LSSVM的电梯交通模式的模糊识别[J]. 浙江大学学报(工学版) 2012(07)
    • [25].基于小波分析和LSSVM的高压直流电源故障诊断[J]. 南京航空航天大学学报 2011(S1)
    • [26].基于迁移学习LSSVM的模拟电路故障诊断[J]. 电子器件 2019(03)
    • [27].动车组LSSVM建模与速度跟踪控制[J]. 控制工程 2015(02)
    • [28].混沌时间序列的LSSVM预测方法[J]. 华侨大学学报(自然科学版) 2014(04)
    • [29].层次聚类LSSVM在模拟电路故障诊断中的应用[J]. 计算机测量与控制 2009(02)
    • [30].基于混沌理论和LSSVM的网络攻击预测算法[J]. 科技通报 2012(08)

    标签:;  ;  ;  ;  ;  

    深度核极限学习机和相似性LSSVM时间序列预测模型研究
    下载Doc文档

    猜你喜欢