期刊文献+
共找到709篇文章
< 1 2 36 >
每页显示 20 50 100
基于深度置信网络的时间序列预测 预览
1
作者 杨珺 佘佳丽 刘艳珍 《深圳大学学报:理工版》 CAS CSCD 北大核心 2019年第6期718-724,共7页
针对传统计算机神经网络存在梯度弥散、局部最小值、非线性时间序列长期预测性能不佳和高维序列数据复杂度高等问题,提出时序深度置信网络模型(timing deep belief network model,T-DBN).该模型预训练阶段采用改进的贪婪预训练算法,在... 针对传统计算机神经网络存在梯度弥散、局部最小值、非线性时间序列长期预测性能不佳和高维序列数据复杂度高等问题,提出时序深度置信网络模型(timing deep belief network model,T-DBN).该模型预训练阶段采用改进的贪婪预训练算法,在预训练过程中使用梯度修正并行回火(gradient fixing parallel tempering,GFPT)算法,采用重构误差确定网络深度,在反向调整阶段采用拟牛顿法(BFGS算法),以获得更加准确的预测精度.结合相空间重构理论和BP(back propagation)神经网络,对中国江西省2016—2020年农业机械总动力进行了预测.针对高非线性的股票数据,提取同花顺软件1990-12-20—2018-03-30时间段内的上证指数特征信息,分别采用T-DBN、DBN和长短期记忆(long short-term memory,LSTM)模型进行股票预测,预测准确率分别为79.3%、77.9%和74.6%,T-DBN模型的预测准确率高于DBN和LSTM模型. 展开更多
关键词 计算机神经网络 时间序列预测 深度神经网络 深度置信网络 农机总动力 预测模型 股票预测
在线阅读 免费下载
针对设备端口链路的LSTM网络流量预测与链路拥塞方案 预览
2
作者 黄伟 刘存才 祁思博 《网络与信息安全学报》 2019年第6期50-57,共8页
针对设备端口链路流量,提出两种基于长短期记忆网络的预测模型。第一种针对在大时间粒度下平稳变化的流量;第二种则针对在小时间粒度下波动剧烈的非平稳流量。通过选用不同的数据划分方式与模型训练方法,构建两种具有不同网络结构的流... 针对设备端口链路流量,提出两种基于长短期记忆网络的预测模型。第一种针对在大时间粒度下平稳变化的流量;第二种则针对在小时间粒度下波动剧烈的非平稳流量。通过选用不同的数据划分方式与模型训练方法,构建两种具有不同网络结构的流量预测模型。实验结果表明,前者在处理平稳变化的流量时能够达到极高的预测精度,后者在处理非平稳流量时具有明显优于SVR模型、BP神经网络模型的预测效果。在第二种预测模型的基础上,提出了参数可调的链路拥塞预警方案,实验证明该方案具有一定的可行性。 展开更多
关键词 长短期记忆网络 机器学习 网络流量预测 非平稳流量预测 时间序列预测
在线阅读 免费下载
时间序列预测方法综述 预览 被引量:3
3
作者 杨海民 潘志松 白玮 《计算机科学》 CSCD 北大核心 2019年第1期21-28,共8页
时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测方法的核心就是从数据中挖... 时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测方法的核心就是从数据中挖掘出这种规律,并利用其对将来的数据做出估计。针对时间序列预测方法,着重介绍了传统的时间序列预测方法、基于机器学习的时间序列预测方法和基于参数模型的在线时间序列预测方法,并对未来的研究方向进行了进一步的展望。 展开更多
关键词 时间序列 时间序列预测 机器学习 在线学习
在线阅读 免费下载
时频联合长时循环神经网络 预览
4
作者 庄连生 吕扬 +1 位作者 杨健 李厚强 《计算机研究与发展》 EI CSCD 北大核心 2019年第12期2641-2648,共8页
时间序列建模问题因有着重要的应用价值已经成为机器学习领域的研究热点之一.循环神经网络(recurrent neural network,RNN)是近年来时间序列建模的一个重要工具.但是,现有循环神经网络无法处理长时依赖关系的时序数据,也没有在频域对时... 时间序列建模问题因有着重要的应用价值已经成为机器学习领域的研究热点之一.循环神经网络(recurrent neural network,RNN)是近年来时间序列建模的一个重要工具.但是,现有循环神经网络无法处理长时依赖关系的时序数据,也没有在频域对时间序列数据的特征模式进行建模.对于那些包含长时依赖且频率成分丰富的时序数据,这2个问题大大限制了现有循环神经网络的性能.针对这些问题,提出了时频联合长时循环神经网络(long term recurrent neural network with state-frequency memory,LTRNN-SFM),通过将传统循环神经网络隐藏层的状态向量替换为状态频率矩阵,实现对时间序列的时域特征和频域特征的联合建模.同时,通过解耦隐藏层神经元、引入ReLU(rectified linear unit)激活函数和权重裁剪,该模型可以有效避免梯度消失和梯度爆炸问题的干扰,使得深层网络训练更加容易、网络记忆周期更长.实验表明:时频联合长时循环神经网络在处理长时依赖且频率成分丰富的时序数据上,取得了最好的性能. 展开更多
关键词 循环神经网络 长时依赖 频域分析 时间序列分类 时间序列预测
在线阅读 下载PDF
多时间尺度时间序列趋势预测 预览
5
作者 王金策 邓越萍 +1 位作者 史明 周云飞 《计算机应用》 CSCD 北大核心 2019年第4期1046-1052,共7页
针对股票、基金等大量时间序列数据的趋势预测问题,提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先,在原始时间序列中提取带有多时间尺度特征的特征树,其刻画了时间序列,不仅带有序列在各个层次的特征,同时表示了层... 针对股票、基金等大量时间序列数据的趋势预测问题,提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先,在原始时间序列中提取带有多时间尺度特征的特征树,其刻画了时间序列,不仅带有序列在各个层次的特征,同时表示了层次之间的关系。然后,利用聚类挖掘特征序列中的隐含状态。最后,应用隐马尔可夫模型(HMM)设计一个多时间尺度趋势预测算法(MTSTPA),同时对不同尺度下的趋势以及趋势的长度作出预测。在真实股票数据集上的实验中,在各个尺度上的预测准确率均在60%以上,与未使用特征树对比,使用特征树的模型预测效率更高,在某一尺度上准确率高出10个百分点以上。同时,与经典自回归滑动平均模型(ARMA)模型和PHMM(Pattern-based HMM)对比,MTSTPA表现更优,验证了其有效性。 展开更多
关键词 特征树 时间序列预测 时间尺度趋势预测 隐马尔可夫模型
在线阅读 下载PDF
基于经验模态分解与支持向量回归机的输电量预测技术 预览
6
作者 温玉灯 《电器与能效管理技术》 2019年第18期6-12,共7页
为了实现对输电量的准确预测,采用一种经验模态分解(EMD)与支持向量回归机(SVM)相结合的方法,对输电线路的日输电量进行时间序列预测。首先通过EMD将输电量序列分解为8个分量,对每个分量采用支持向量回归算法建立不同的模型,将每个模型... 为了实现对输电量的准确预测,采用一种经验模态分解(EMD)与支持向量回归机(SVM)相结合的方法,对输电线路的日输电量进行时间序列预测。首先通过EMD将输电量序列分解为8个分量,对每个分量采用支持向量回归算法建立不同的模型,将每个模型预测的分量叠加得到线路日输电量的预测值。通过模型测试比较,所提算法对日输电量具有较好的预测效果,精度指标MAPE值平均为2.345%,RMSE值平均为8.5321×10 4。试验结果表明,所提算法比单独使用支持向量回归算法的预测精度要高,所提模型能够实现对日输电量的准确预测。 展开更多
关键词 输电量预测 经验模态分解 支持向量回归机 时间序列预测
在线阅读 下载PDF
犯罪时间序列预测分析方法研究--以CrimeStat软件为例 预览
7
作者 钟飚 袁梦佳 《中国人民公安大学学报:自然科学版》 2019年第2期58-63,共6页
作为一种基础且应用广泛的统计方法,时间序列分析方法在各个领域都有所应用,时间序列分析方法对分析犯罪行为有一定的帮助。CrimeStat软件是一个专门处理犯罪数据的统计分析软件,其中的时间序列模块可以对犯罪数据进行一定程度的时空预... 作为一种基础且应用广泛的统计方法,时间序列分析方法在各个领域都有所应用,时间序列分析方法对分析犯罪行为有一定的帮助。CrimeStat软件是一个专门处理犯罪数据的统计分析软件,其中的时间序列模块可以对犯罪数据进行一定程度的时空预测。研究发现,在指定辖区内过去几年内的犯罪时间历史数据可以通过CrimeStat的时间序列模块得出预测结果。科学判断各辖区可能会出现的犯罪异常能够对警方的决策作出指导性建议,提高工作效率,并有助于公共安全的维护。 展开更多
关键词 时间序列预测 公共安全 CrimeStat 犯罪预测
在线阅读 下载PDF
基于改进天牛须算法-优化极限学习机的地源热泵能耗预测研究 预览
8
作者 刘涛 徐成良 陈焕新 《制冷技术》 2019年第3期6-11,共6页
针对极限学习机随机产生输入权值和隐层偏置导致模型不稳定的问题,本文提出了一种基于改进天牛须算法-优化极限学习机(BSAS-ELM)的地源热泵能耗预测模型,此模型收敛速度快、泛化能力强。将BSAS-ELM的预测结果与极限学习机(ELM)及支持向... 针对极限学习机随机产生输入权值和隐层偏置导致模型不稳定的问题,本文提出了一种基于改进天牛须算法-优化极限学习机(BSAS-ELM)的地源热泵能耗预测模型,此模型收敛速度快、泛化能力强。将BSAS-ELM的预测结果与极限学习机(ELM)及支持向量机(SVM)进行比较表明,基于BSAS-ELM的地源热泵能耗预测模型能显著提高能耗预测精度。 展开更多
关键词 地源热泵系统 能耗预测 天牛须搜索 极限学习机 时间序列预测
在线阅读 下载PDF
基于深度学习的MOOCs辍学率预测方法 预览
9
作者 孙霞 吴楠楠 +2 位作者 张蕾 陈静 冯筠 《计算机工程与科学》 CSCD 北大核心 2019年第5期893-899,共7页
近年来大规模开放在线课程获得了较为广泛的关注。由于学习者学习方式不合理使得学习兴趣下降,学习效果不佳,MOOCs辍学率很高,针对这一问题,从学习者学习活动日志中自动抽取一段时间内连续特征,以学习者行为特征为自变量,建立MOOCs辍学... 近年来大规模开放在线课程获得了较为广泛的关注。由于学习者学习方式不合理使得学习兴趣下降,学习效果不佳,MOOCs辍学率很高,针对这一问题,从学习者学习活动日志中自动抽取一段时间内连续特征,以学习者行为特征为自变量,建立MOOCs辍学预测模型。在KDDCup2015数据集上的实验表明,使用基于卷积神经网络的长短期记忆CNN_LSTM辍学预测模型,能够帮助MOOCs课程教师和设计者追踪课程学习者在不同时间步长的学习状态,从而动态监控不同阶段的辍学行为,模型的预测准确率高,这将为教师改进教学方法提供更合理的指导和建议。 展开更多
关键词 大规模开放式在线课程 辍学预测 时间序列预测 长短期记忆 卷积神经网络
在线阅读 下载PDF
多源数据跨国人口迁移预测 预览
10
作者 汪子龙 王柱 +2 位作者 於志文 郭斌 周兴社 《浙江大学学报:工学版》 EI CAS CSCD 北大核心 2019年第9期1-9,共9页
针对跨国人口迁移预测所面临的数据代表性问题,利用多源数据分别构建3个预测模型:线性拟合模型、乘法分量模型和带有时间序列预测(WTSP)的线性拟合模型. 线性拟合模型用于刻画1年内的移民规律;乘法分量模型利用时间序列预测算法对未来... 针对跨国人口迁移预测所面临的数据代表性问题,利用多源数据分别构建3个预测模型:线性拟合模型、乘法分量模型和带有时间序列预测(WTSP)的线性拟合模型. 线性拟合模型用于刻画1年内的移民规律;乘法分量模型利用时间序列预测算法对未来迁移模式进行预测;WTSP线性拟合模型利用迁移模式的变化预测跨国人口迁移数量的未来趋势. 对比3个模型的预测结果可知,WTSP线性拟合模型可以有效预测未来的移民规律,相比经典线性拟合模型,WTSP线性拟合模型能体现迁移模式随时间变化的规律,预测准确率可至少提升3%;相比乘法分量模型,WTSP线性拟合模型能呈现更完整的迁移模式,有更强的可解释性. 展开更多
关键词 人口迁移预测 回归分析 时间序列预测 线性拟合 乘法分量模型 WTSP线性拟合模型
在线阅读 下载PDF
基于LSTM的航空公司能耗序列预测 预览
11
作者 刘家学 沈贵宾 《计算机应用与软件》 北大核心 2019年第10期60-65,共6页
为提高航空公司能耗的预测精度,针对能耗数据的复杂非线性时序特性,提出一种基于长短时记忆网络(LSTM)的时间窗滑动航空公司能耗预估模型。该方法对能耗时序数据进行预处理,消除能耗时序数据的季节性趋势;依据滑动时间窗将数据转换成监... 为提高航空公司能耗的预测精度,针对能耗数据的复杂非线性时序特性,提出一种基于长短时记忆网络(LSTM)的时间窗滑动航空公司能耗预估模型。该方法对能耗时序数据进行预处理,消除能耗时序数据的季节性趋势;依据滑动时间窗将数据转换成监督型数据,构建基于LSTM的模型来实现航空公司能耗预测,并利用网格搜索算法进行参数优选。实验结果表明,该模型预测精度优于传统ARMA模型、SVR模型,验证了其可行性。 展开更多
关键词 航空公司能耗 LSTM 网格搜索 时间 时间序列预测
在线阅读 下载PDF
基于WPD-PSO-ESN的短期交通流预测
12
作者 万玉龙 李新春 周红标 《公路交通科技》 CAS CSCD 北大核心 2019年第8期144-151,共8页
为了提高短期交通流的预测精度,提出了一种基于小波包分解(wavelet packet decomposition,WPD)、粒子群优化(particle swarm optimization,PSO)算法和回声状态网(echo state network,ESN)的短期交通流预测方法。该方法命名为WPD-PSO-ES... 为了提高短期交通流的预测精度,提出了一种基于小波包分解(wavelet packet decomposition,WPD)、粒子群优化(particle swarm optimization,PSO)算法和回声状态网(echo state network,ESN)的短期交通流预测方法。该方法命名为WPD-PSO-ESN。首先,在数据预处理阶段,采用小波包分解将交通流数据分解为不同频段的子序列,并将各子序列送入回声状态网预测模型;然后,在建立预测模型阶段,利用粒子群优化算法在线优化回声状态网的参数,以提高回声状态网的泛化能力和预测精度;进一步,针对粒子群优化算法存在的早熟收敛和易陷入局部最优的缺陷,通过检测粒子飞行过程中的状态信息,设计了惯性权重自适应调整策略,以期提高粒子群优化算法的寻优能力;最后,在结果输出阶段,采用加权平均法融合各子序列的预测值以得到模型的最终预测结果。试验结果表明:通过小波包分解和单支重构可以更加容易地抓住原始信号中的动态信息,更适合用于回声状态网的时间序列建模;带有自适应惯性权重调整策略的粒子群优化算法具备更强的跳出局部最优的能力,优化后的回声状态网模型精度更高;对于短期交通流预测,与前馈型误差反传神经网络、反馈型Elman神经网络和传统回声状态网等预测方法相比,WPD-PSO-ESN预测方法具有更高的预测精度,能够满足智能交通系统对预测精度的需求,对实现实时交通控制和建设智能交通系统具有重要意义。 展开更多
关键词 城市交通 时间序列预测 回声状态网络 小波包分解 粒子群优化 短期交通流
时间分割的池计算网络及其动力学 预览
13
作者 薄迎春 张欣 刘宝 《控制理论与应用》 EI CAS CSCD 北大核心 2019年第8期1315-1321,共7页
为解决针对给定任务构建合适的神经元池问题,提出了一种时间分割的神经元池设计方法,该方法将多个子神经元池顺序连接,每两个相邻的子神经元池之间嵌入一个滞后环节以构成时间分割的神经元池,每个子神经元池只需处理一段时间的信息,从... 为解决针对给定任务构建合适的神经元池问题,提出了一种时间分割的神经元池设计方法,该方法将多个子神经元池顺序连接,每两个相邻的子神经元池之间嵌入一个滞后环节以构成时间分割的神经元池,每个子神经元池只需处理一段时间的信息,从而达到复杂记忆任务分解的目的.输出层可对各子神经元池的状态进行整合以获取不同时段的输入特征.对多阶层振荡器的实验表明,在宏观参数相同的情况下,时间分割的池计算网络比常规池计算网络具有更强的记忆能力,能够产生更加多样化的动力学行为. 展开更多
关键词 人工神经网络 池计算 深度学习 短时记忆 时间序列预测
在线阅读 下载PDF
基于WNN-SVM的水文时间序列预测方法研究 预览
14
作者 余洋 万定生 《计算机技术与发展》 2019年第9期13-17,70共6页
在面对具有随机性、突变性的复杂时间序列数据(如流量等水文时间序列数据)时,传统单一的模型的预测精度不尽人意,对单一模型的优化不能完全克服其局限性。因此,文中提出一种基于WNN-SVM组合的水文时间序列预测模型。首先对水文时间序列... 在面对具有随机性、突变性的复杂时间序列数据(如流量等水文时间序列数据)时,传统单一的模型的预测精度不尽人意,对单一模型的优化不能完全克服其局限性。因此,文中提出一种基于WNN-SVM组合的水文时间序列预测模型。首先对水文时间序列数据作均值归一化处理,然后对预处理后的水文时间序列进行小波分解,将分解后的子序列通过相空间重构的方法使其从低维时间序列向高维转换;根据其分解后的特点,对尺度变换序列采用支持向量机(SVM)进行建模预测,小波变换序列采用小波神经网络(WNN)进行建模预测,再将两者的预测结果进行小波重构,得到原始序列预测值。随后采用屯溪流域1980年至2007年43996个小时流量数据进行实验验证,结果表明该模型的预测精度高于单一模型,证明了该模型的有效性。 展开更多
关键词 均值归一化 组合模型 时间序列预测 小波神经网络 支持向量机
在线阅读 下载PDF
基于神经网络语言模型的时间序列趋势预测方法 预览
15
作者 王慧健 刘峥 +1 位作者 李云 李涛 《计算机工程》 CAS CSCD 北大核心 2019年第7期13-19,25共8页
对于时序数据的预测,传统方法多数通过分析历史数据预测出后面的一个或者多个具体值,但预测的具体数值准确率较低。为此,提出一种新的时间序列短期趋势预测方法。通过对时序数据进行离散化,用字符表示各个时间段数据的范围,并利用神经... 对于时序数据的预测,传统方法多数通过分析历史数据预测出后面的一个或者多个具体值,但预测的具体数值准确率较低。为此,提出一种新的时间序列短期趋势预测方法。通过对时序数据进行离散化,用字符表示各个时间段数据的范围,并利用神经网络语言模型预测得到下一个字符,即下一段数据的范围。实验结果表明,与支持向量机、循环神经网络、随机森林等算法相比,在预测结果分为5个区间的情况下,该算法平均预测准确率为 56.7 %,具有较高的可行性,且由于字符表示带有语义信息,所得预测结果可以反映数据趋势以及趋势变化程度。 展开更多
关键词 数据挖掘 时间序列预测 数据离散 长短时记忆 神经网络语言模型 深度学习
在线阅读 下载PDF
一种基于时间序列预测的重采策略 预览
16
作者 史存会 孟剑 +3 位作者 俞晓明 刘悦 靳小龙 程学旗 《中文信息学报》 CSCD 北大核心 2019年第7期101-109,共9页
及时获取新增内容,是采集器的重要衡量指标。基于版块页-内容页架构设计的网络采集器通过定期重采入口的版块页,能够有效地快速识别新产生内容页面并进行扩展。然而获取内容的实时性与对网站访问的友好性存在一定的折中。传统的重采策... 及时获取新增内容,是采集器的重要衡量指标。基于版块页-内容页架构设计的网络采集器通过定期重采入口的版块页,能够有效地快速识别新产生内容页面并进行扩展。然而获取内容的实时性与对网站访问的友好性存在一定的折中。传统的重采策略关注时效性,而忽略了对网站访问的友好性。该文提出了一种基于时间序列预测的改进重采策略兼顾时效性和友好性。实验表明,该方法可以在保证数据采集实时性的情况下,有效降低访问量,提升对网站访问的友好性。 展开更多
关键词 网络采集 采集策略 时间序列预测
在线阅读 下载PDF
基于门控循环网络的海浪波倾角预测研究
17
作者 赵建鹏 张爱军 +1 位作者 蔡程飞 苏印红 《国外电子测量技术》 2019年第5期96-100,共5页
海浪的波倾角是一种非线性随机时间序列,对于舰载机的起降和舰载稳定平台的控制具有重要的指导意义。传统的时间序列预测方法诸如自回归滑动平均预测、神经网络预测法等,有时无法提供较高的精度。因此,提出一种基于门控循环网络的海浪... 海浪的波倾角是一种非线性随机时间序列,对于舰载机的起降和舰载稳定平台的控制具有重要的指导意义。传统的时间序列预测方法诸如自回归滑动平均预测、神经网络预测法等,有时无法提供较高的精度。因此,提出一种基于门控循环网络的海浪模型时间序列预测法。结果表明,在平均绝对百分比误差上分别比BP神经网络、循环神经网络(RNN)、长短期记忆网络(LSTM)下降了85.0%、80.3%、34.4%;在均方根误差上分别下降了27.1%、37.7%和7.5%。与传统方法相比,门控循环网络在处理长依赖时间序列上更有优势,预测精度更高。 展开更多
关键词 海浪模型 时间序列预测 神经网络 深度学习 门控循环网络
基于加权核函数SVR的时间序列预测 预览
18
作者 张翔 《现代计算机》 2019年第6期15-18,22共5页
时间序列预测一直是各领域研究的重点,而随着机器学习的发展,通过机器学习的方法进行时间序列的预测更是目前预测的主要研究方向。首先介绍时间序列预测的相关研究算法,然后介绍所提出的加权核函数SVR时间序列预测方法。通过随机森林的C... 时间序列预测一直是各领域研究的重点,而随着机器学习的发展,通过机器学习的方法进行时间序列的预测更是目前预测的主要研究方向。首先介绍时间序列预测的相关研究算法,然后介绍所提出的加权核函数SVR时间序列预测方法。通过随机森林的CART算法计算出每个时间点对最终预测结果的重要度,将其作为权值对SVR核函数加权,实现对SVR时间序列预测效果的提升。最终的实验通过公共数据集对SVR和所提出的方法进行比较。结果证明该方法的有效性。 展开更多
关键词 时间序列预测 加权SVR CART算法
在线阅读 免费下载
基于CNN-LSTM的QAR数据特征提取与预测 预览 被引量:1
19
作者 张鹏 杨涛 +2 位作者 刘亚楠 樊志勇 段照斌 《计算机应用研究》 CSCD 北大核心 2019年第10期2958-2961,共4页
针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题,提出一种融合卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通... 针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题,提出一种融合卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道,通过注意力机制(attention)融合,从而使模型能同时表达数据在空间维度和时间维度上的特征,并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明,双通道融合模型与单一的CNN、LSTM相比,能够更有效地提取数据特征,模型单步预测与多步预测误差平均降低35.3%,为基于QAR数据的故障诊断提供一种新的研究思路。 展开更多
关键词 深度学习 融合卷积神经网络 长短时记忆网络 特征提取 时间序列预测
在线阅读 下载PDF
基于Prophet-随机森林优化模型的空气质量指数规模预测 预览
20
作者 常恬君 过仲阳 徐丽丽 《环境污染与防治》 CAS CSCD 北大核心 2019年第7期758-761,766共5页
长时间的规模预测有助于从宏观角度分析事物的发展趋势与规律。对上海市2013—2017年逐日空气质量指数(AQI)进行分析,在此基础上建立了Prophet-随机森林(RF)优化模型。Prophet模型将AQI时间序列趋势分解为趋势项、季节项、节假日效应;R... 长时间的规模预测有助于从宏观角度分析事物的发展趋势与规律。对上海市2013—2017年逐日空气质量指数(AQI)进行分析,在此基础上建立了Prophet-随机森林(RF)优化模型。Prophet模型将AQI时间序列趋势分解为趋势项、季节项、节假日效应;RF算法用于弥补Prophet模型无法预测随机非线性部分的缺点,对Prophet模型进行优化,将Prophet-RF优化模型用于AQI的规模预测。结果表明:相比于Prophet模型,Prophet-RF优化模型的预测效果更加精确,其中,拟合值的均方根误差和平均绝对误差均减少了0.161,预测值的均方根误差和平均绝对误差分别减少了0.434和0.399。Prophet-RF优化模型解释性强且精度高,对于时间序列的规模预测具有较明显的优势。 展开更多
关键词 Prophet模型 随机森林 时间序列预测 优化模型
在线阅读 下载PDF
上一页 1 2 36 下一页 到第
使用帮助 返回顶部 意见反馈
新型冠状病毒肺炎防控与诊疗专栏