基于LSTM的关联时间序列预测方法研究

论文摘要

关联时间序列广泛存在于各种生产生活场景中,如不同区域的交通客运需求时间序列、多个监测站的空气污染物浓度时间序列等,都是典型的关联时间序列。关联时间序列的有效预测具有重要的研究意义和应用价值。例如,若能准确预测交通领域的客运需求,将为提前感知市场动态、预分配交通资源、改善用户出行体验等带来极大的帮助;若能有效预测空气污染物浓度,将有助于人们提前采取防范措施,预防疾病的发生。然而,准确地预测关联时间序列具有很大的挑战。由于关联时间序列具有很复杂的内在特征,不仅序列内部存在时间依赖关系,序列之间还存在空间依赖关系。有效建模关联时间序列的时空依赖关系是关联时间序列预测任务的基础。但是传统的时间序列预测方法大多从单条序列的角度出发,难以有效建模关联时间序列的空间相关性。因此,本文将互相影响的关联时间序列看作一个整体,统一分析和建模关联时间序列的内在时空特征。本文的主要研究内容与创新点总结如下:首先分析了关联时间序列的内在特征,发现序列自身时间依赖特性和序列之间的空间依赖特性在关联时间序列建模任务中同时发挥着重要的作用。基于LSTM模型在时间序列的时间维度上建模的优势,本文提出了一种通用的基于LSTM的关联时间序列相关性建模方法（双通道LSTM）。双通道LSTM改变了传统LSTM的内部结构,采用两个通道显式建模时空依赖特征,并且使用先验关系矩阵描述序列之间的相互影响关系。本文同时在空气质量数据集和交通数据集上验证了双通道LSTM方法在关联时间序列相关性建模问题上的通用性和有效性。交通领域中很多场景下都存在关联时间序列预测的需求,对接交通领域具体应用需求,本文提出了交通领域的关联时间序列预测模型（CTS-LSTM）。紧密结合交通业务场景,CTS-LSTM基于双通道LSTM模型,自适应地学习交通领域的空间依赖关系,并有效融合交通序列的时间和空间两种相关性,以更好地建模交通序列的内在特征;此外设计了一种适用于交通领域的外部因素建模模块,用于捕获外部信息对于交通序列的影响。最终的预测结果由交通序列的内在特征和外部因素共同决定。在两个实际的交通数据预测业务场景下的实验结果表明,本文提出的CTS-LSTM可以综合建模交通数据的复杂时空模式和外部影响因素,其预测效果显著优于现有方法。

论文目录

文章来源

类型: 硕士论文

作者: 尹康

导师: 林友芳

关键词: 关联时间序列,长短期记忆模型,空气污染物浓度预测,客运需求预测

来源: 北京交通大学

年度: 2019

分类: 基础科学

专业: 数学

单位: 北京交通大学

分类号: O211.61

总页数: 67

文件大小: 4975K

下载量: 445

相关论文文献

• [1].基于非稳态时间序列的生理控制模型研究[J]. 系统工程理论与实践 2020(02)
• [2].基于多样化top-k shapelets转换的时间序列分类方法[J]. 计算机应用 2017(02)
• [3].时间序列趋势预测[J]. 现代计算机(专业版) 2017(02)
• [4].基于分型转折点的证券时间序列分段表示法[J]. 商 2016(31)
• [5].基于ARMA模型的股价预测及实证研究[J]. 智富时代 2017(02)
• [6].《漫长的告别》(年度资助摄影图书)[J]. 中国摄影 2017(04)
• [7].王嵬作品[J]. 当代油画 2017(07)
• [8].基于模糊时间序列的计算机信息粒构建研究[J]. 粘接 2020(10)
• [9].基于时间序列挖掘的合成旅装备维修保障能力预测[J]. 系统工程与电子技术 2020(04)
• [10].风速时间序列混沌判定方法比较研究[J]. 热能动力工程 2018(07)
• [11].土壤退化时间序列的构建及其在我国土壤退化研究中的意义[J]. 土壤 2015(06)
• [12].基于信息颗粒和模糊聚类的时间序列分割[J]. 模糊系统与数学 2015(01)
• [13].不确定时间序列的降维及相似性匹配[J]. 计算机科学与探索 2015(04)
• [14].时间序列的异常点诊断方法[J]. 中国卫生统计 2011(04)
• [15].基于独立成分分析的时间序列谱聚类方法[J]. 系统工程理论与实践 2011(10)
• [16].面向不确定时间序列的分类方法[J]. 计算机研究与发展 2011(S3)
• [17].一种基于频繁模式的时间序列分类框架[J]. 电子与信息学报 2010(02)
• [18].超启发式组合时间序列预报模型[J]. 福建电脑 2020(08)
• [19].基于深度学习的时间序列算法综述[J]. 信息技术与信息化 2019(01)
• [20].基于时间序列符号化模式表征的有向加权复杂网络[J]. 物理学报 2017(21)
• [21].基于互相关的二阶段时间序列聚类方法[J]. 计算机工程与应用 2016(19)
• [22].基于期货市场行为的时间序列切分及表示方法研究[J]. 中国管理信息化 2015(19)
• [23].基于形态特征的时间序列符号聚合近似方法[J]. 模式识别与人工智能 2011(05)
• [24].基于模糊时间序列对我国对外贸易中的进口水平的预测[J]. 统计与决策 2010(23)
• [25].模糊变量时间序列及其应用[J]. 辽宁工程技术大学学报(自然科学版) 2010(06)
• [26].时间序列流的分层段模型[J]. 小型微型计算机系统 2009(04)
• [27].发动机转速时间序列分形特征分析[J]. 机械科学与技术 2008(11)
• [28].基于HDAD的异构航空数据异常检测的研究[J]. 计算机仿真 2020(03)
• [29].重庆藕塘滑坡地下水位时间序列混沌性判别与预测[J]. 人民长江 2020(S1)
• [30].基于能量过滤的不确定时间序列数据清洗方法[J]. 智能计算机与应用 2019(04)

标签：关联时间序列论文;  长短期记忆模型论文;  空气污染物浓度预测论文;  客运需求预测论文;