基于深度信念网络的时间序列预测研究

论文摘要

近年来,随着物联网系统和大数据技术的快速发展,使得时间序列的的收集变得简单快捷,同时收集到的时间序列数据也变得数据量巨大、非线性程度很高、数据结构复杂,传统的时间序列分析已经不能满足这种复杂数据结构的分析和预测,为了满足高度非线性数据结构的预测,新的预测模型的研究就显得尤为重要。深度学习的出现给高度非线性的时间序列数据的分析预测带来了希望,其中深度信念网络（Deep Belief Network,DBN）有着强大的特征提取能力,对非线性的数据结构有很强的处理能力,相较于传统的建模方式,深度信念网络能够通过其提取到的特征通过“黑盒子”的方式建立原始数据的模型。近几年深度信念网络在图像分类、语音识别等复杂的数据结构方面的应用已经非常成熟,但在时间序列预测的应用方面还属于研究开发阶段。本文针对时间序列的预测的建模问题提出了新的方法,对基于深度信念网络（DBN）的时间序列预测方法进行了研究。本文将回声状态网络（Echo State Network,ESN）应用于DBN的决策层,用来预测时间序列。同时由于DBN和ESN均属于神经网络,其网络参数较多而且对网络的预测结果影响较大,因此本文应用具有全局寻优的算法遗传算法（Genetic Algorithm,GA）进行网络参数优化。在标准数据库（Mackey-Glass,MG）做测试,与传统神经网络对比,新提出的经过GA优化过的DBN-ESN网络的预测精度明显提高,但在数据量过大的情况下,网络训练耗费时间较长。短时交通流的预测是典型的时间序列预测的应用之一。时间因素是影响交通流量的一个主要因素,本次试验仅考虑交通流的时间因素,对短时交通流进行预测,将新提出的网络DBN-ESN应用于短时交通流的预测,并与已存在的其他神经网络的预测结果对比。研究结果表明,新提出的网络能够高度拟合复杂非线性数据的模型,并具有较为精确的短时预测精度,当数据量较大时GA优化网络较为耗时,但在交通流接近饱和的状态下,人们还是较为关注预测的精确度,所以对预测模型的选择要视使用环境而定。

论文目录

摘要

abstract

1 绪论

1.1 研究背景及意义

1.2 研究现状

1.2.1 时间序列预测的研究现状

1.2.2 深度信念网络的研究现状

1.3 主要存在问题

1.3.1 时间序列分析存在的问题

1.3.2 深度信念网络存在的问题

1.4 本文的主要工作及章节安排

2 相关理论基础

2.1 引言

2.2 时间序列预测算法概述及主要流程

2.2.1 时间序列预测算法概述

2.2.2 时间序列预测算法的主要流程

2.3 深度学习理论的基本思想

2.3.1 栈式白编码器

2.3.2 卷积神经网络

2.4 深度信念网络的主要基础

2.4.1 限制玻尔兹曼机基本原理

2.4.2 深度信念网络结构

2.5 循环神经网络及回声状态网络

2.5.1 循环神经网络

2.5.2 回声状态网络的概念

2.6 模型误差评估

2.7 本章总结

3 基于DBN-ESN的时间序列预测

3.1 引言

3.2 结合DBN与ESN的网络结构

3.2.1 DBN的无监督学习过程

3.2.2 局部权值调整

3.3 基于遗传算法的网络参数优化

3.4 应用遗传算法优化DBN-ESN的参数

3.5 标准数据库测试

3.6 本章总结

4 基于DBN-ESN的短时交通流预测

4.1 引言

4.2 交通流量预测的发展与现状

4.3 主要存在难点

4.5 交通流的预测试验

4.5.1 交通流预测的流程

4.5.2 基于DBN-ESN的短时交通流预测

4.5.3 试验仿真

4.5.4 实验结果及分析

4.6 本章总结

5 总结与展望

5.1 实验总结

5.2 研究展望

致谢

参考文献

文章来源

类型: 硕士论文

作者: 李妮

导师: 刘涵

关键词: 时间序列预测,深度信念网络,回声状态网络,遗传算法,交通流预测

来源: 西安理工大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,自动化技术

单位: 西安理工大学

分类号: O211.61;TP18

总页数: 58

文件大小: 6639K

下载量: 1034

基于深度信念网络的时间序列预测研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢