| 摘要: |
| 针对长短期记忆网络（LSTM）算法对时间序列预测存在的不足,考虑到样本序列如果包含线性关系或含有噪音时LSTM算法预测将不准确,同时分析了变分自编码器（VAE）对异常样本修复的原理,提出了一种改进的LSTM时间序列预测算法VAE_LSTM,将VAE网络修复样本的思想加入到传统的LSTM网络,对样本序列进行修复后再输入LSTM神经网络训练,最终建立了时间序列预测模型.阐述了模型建立的方法与步骤,详细分析了模型的原理.使用长江汉口历史水文数据序列进行仿真实验,结果表明:VAE_LSTM算法预测模型在时间序列预测方面有较好表现,满足预测精度要求,比传统LSTM时间序列预测模型的预测准确性高,尤其中短期预测更为准确;对比实验同时表明此模型准确性高于ARIMA, RNN等预测模型. |
| 关键词: 时间序列 预测模型 神经网络 长短期记忆网络 变分自编码器 |
| DOI： |
| 分类号:TP301.6 |
| 基金项目:广东高校省级重点平台和重大科研项目资助(2017GKTSCX0) |
|
|
|
|
| Abstract: |
|
| Key words: |
