融合新闻事件和深度学习的时间序列预测方法研究

融合新闻事件和深度学习的时间序列预测方法研究

论文摘要

时间序列研究对象是随着时间变化的某种现象,在生活中广泛存在,比如:通过对电影票房预测使得影院能够更好的排片;通过对地区的经济情况进行预测,为公司、国家的投资提供支持。因此研究该问题对国计民生都具有重要的意义。ARIMA(Autoregressive Integrated Moving Average Model)要求时序数据是稳定的。SVM(Support Vector Machine)受限于核函数种类稀少,只在特定的情况下有较好的效果。适用于时间序列预测的循环神经网络及其改进型不仅能够记忆历史规律信息,而且能够拟合非常复杂的非线性问题。但是这些方法不能够记忆长远的历史信息。另外,历史数据对突发事件的缺乏表达也会影响预测的精度。为了解决上述问题,提出一种融合新闻事件的深度学习时间序列预测模型NSTCL(News Sentiment,Temporal Convolution and Long Short Term Memory)。首先针对历史规律对突发事件的缺乏表达得问题,NSTCL使用实时性强的相关互联网新闻解决。使用词向量,Self-Attention,LSTM(Long Short Term Memory)技术构建新闻舆情分析模型,从而将新闻舆情表示为多个不同的向量,为预测过程提供支持。然后针对时间序列的拟合问题,首先使用CNN(Convolutional Neural Networks)沿着时间轴卷积,从而从时序数据中抽取历史长短期依赖特征;然后基于适用于时间序列预测的LSTM搭建预测模型。二者结合,既利用了LSTM善于处理时间序列数据的特点,又同时考虑到不同长度历史规律对预测结果的影响,使得预测效果更佳稳定和精确,避免受到复杂序列变化的欺骗。使用NSTCL,不包含新闻舆情的NSTCL模型--TCL,TCLSTM(Temporal Convolution and Long-term Short-term Memory network),ARIMA四种算法分别在三只股票数据集上进行实验,发现NSTCL在每个数据集的预测精度最高。

论文目录

  • 摘要
  • ABSTRACT
  • 1 绪论
  •   1.1 课题研究背景
  •   1.2 课题研究意义与目的
  •   1.3 国内外研究现状
  •   1.4 论文主要研究内容
  •   1.5 论文组织结构
  • 2 相关技术综述
  •   2.1 时间序列预测常用模型
  •   2.2 新闻舆情分析方法
  •   2.3 本章小结
  • TCL模型设计'>3 NSTCL模型设计
  •   3.1 基于Self-Attention新闻舆情分析方法
  •   3.2 基于CNN的长短期历史特征提取
  •   3.3 基于CNN和 LSTM的时间序列预测模型整体结构
  • TCL模型'>  3.4 NSTCL模型
  •   3.5 本章小结
  • 4 实验与分析
  •   4.1 实验数据集
  •   4.2 实验设计
  •   4.3 实验结果展示与分析
  •   4.4 本章小结
  • 5 总结与展望
  •   5.1 总结
  •   5.2 展望
  • 致谢
  • 参考文献
  • 附录1 攻读硕士学位期间参与的科研项目
  • 附录2 攻读硕士学位期间申请的专利
  • 附录3 攻读硕士学位期间发表的论文
  • 文章来源

    类型: 硕士论文

    作者: 赵军豪

    导师: 李玉华

    关键词: 时间序列预测,新闻事件,长短期记忆网络,时间卷积

    来源: 华中科技大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 数学,自动化技术

    单位: 华中科技大学

    分类号: TP18;O211.61

    DOI: 10.27157/d.cnki.ghzku.2019.003086

    总页数: 63

    文件大小: 2871K

    下载量: 97

    相关论文文献

    • [1].基于经验模态分解生成对抗网络的金融时间序列预测[J]. 计算机应用与软件 2020(05)
    • [2].卡尔曼滤波及其在时间序列预测中的应用[J]. 仪表技术 2010(07)
    • [3].基于逆模糊数的模糊时间序列预测的新方法[J]. 数学的实践与认识 2015(07)
    • [4].一型模糊逻辑系统在时间序列预测中的应用[J]. 辽宁工业大学学报(自然科学版) 2012(05)
    • [5].基于灰色时间序列预测中国汽车销量[J]. 湖州职业技术学院学报 2012(01)
    • [6].基于加权支持向量机的金融时间序列预测[J]. 商业研究 2010(01)
    • [7].核函数支持向量机的时间序列预测应用研究[J]. 消费导刊 2008(10)
    • [8].预则立——时间序列预测技术之广电业务应用[J]. 中国数字电视 2011(10)
    • [9].时间序列预测的发展与应用[J]. 兵工自动化 2015(02)
    • [10].基于MATLAB的时间序列预测[J]. 电脑知识与技术 2015(29)
    • [11].模糊时间序列预测的连续点逆模糊数预测模型[J]. 黑龙江大学自然科学学报 2014(03)
    • [12].基于SVM的死亡率时间序列预测设计与分析[J]. 中国卫生统计 2010(01)
    • [13].基于灰关联分析的多因素时间序列预测研究与应用[J]. 漳州职业技术学院学报 2009(04)
    • [14].一种基于时间序列预测的重采策略[J]. 中文信息学报 2019(07)
    • [15].时间序列预测技术综述[J]. 信息通信 2018(11)
    • [16].基于TensorFlow的时间序列预测系统[J]. 现代计算机 2019(14)
    • [17].Granger相关性与时间序列预测[J]. 控制与决策 2014(04)
    • [18].犯罪时间序列预测分析方法研究——以CrimeStat软件为例[J]. 中国人民公安大学学报(自然科学版) 2019(02)
    • [19].基于混合模型的模糊时间序列预测的研究[J]. 辽宁工业大学学报(自然科学版) 2015(03)
    • [20].基于最小二乘支持向量机的复杂金融时间序列预测[J]. 清华大学学报(自然科学版)网络.预览 2008(07)
    • [21].对于不平衡数据的模糊时间序列预测[J]. 计算机与现代化 2017(12)
    • [22].电子系统状态时间序列预测的优化相关向量机方法[J]. 系统工程与电子技术 2013(09)
    • [23].基于多尺度层级LSTM网络的时间序列预测分析[J]. 计算机科学 2019(S2)
    • [24].混合多个SVR模型的金融时间序列预测[J]. 微型电脑应用 2013(03)
    • [25].多任务LS-SVM在时间序列预测中的应用[J]. 计算机工程与应用 2018(03)
    • [26].一种新的基于DFNN的时间序列预测[J]. 科学技术与工程 2010(32)
    • [27].用小波分析和支持向量机的方法预测精度损失[J]. 工业计量 2009(01)
    • [28].基于加权核函数SVR的时间序列预测[J]. 现代计算机(专业版) 2019(06)
    • [29].WFAR模型在时间序列预测中的应用[J]. 沈阳师范大学学报(自然科学版) 2019(01)
    • [30].基于改进SVC的金融时间序列预测[J]. 现代商业 2014(05)

    标签:;  ;  ;  ;  

    融合新闻事件和深度学习的时间序列预测方法研究
    下载Doc文档

    猜你喜欢