基于深度学习的时序预测和分类

发布时间：2024-03-21 19:35

　　近年来,随着物联网和5G技术的迅猛发展,时间序列数据呈现出不断增长的趋势。这些时间序列数据蕴含了许多隐藏信息,挖掘和分析这些隐藏信息在金融、医疗和交通等领域中具有重要意义。但现有的时序预测和分类模型未能充分考虑时间序列数据的特征(即序列变量之间的相关性和长期依赖关系)。传统的机器学习算法通过人工设计规则提取数据特征,而深度学习通过多个处理层来学习数据的抽象表示,这不仅省去人工提取特征的步骤而且极大提升了模型的泛化性能。因此,本文利用深度学习对时间序列数据预测和分类两个重点问题进行研究,主要工作内容如下:(1)对时间序列数据传统的预测和分类方法进行调研,同时调研深度学习的相关理论知识,主要包括卷积神经网络、循环神经网络和注意力机制,并重点研究基于深度学习的时序预测和分类方法。(2)针对时序预测模型CRNN(Convolutional Recurrent Neural Network)存在缺乏考虑序列变量之间的相关性以及长期依赖关系的问题,本文提出一种CRNN的改进模型SAC-GRNN(Self Attention and Convolution based Gate Recurrent ...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 研究现状
        1.2.1 时序预测研究现状
            1.2.1.1 传统的预测方法
            1.2.1.2 基于机器学习的预测方法
            1.2.1.3 基于深度学习的预测方法
        1.2.2 时序分类研究现状
            1.2.2.1 基于距离的分类方法
            1.2.2.2 基于特征的分类方法
            1.2.2.3 基于深度学习的分类方法
    1.3 本文研究内容
    1.4 本文组织结构
第二章 相关知识综述
    2.1 时间序列分析
        2.1.1 时间序列的定义
        2.1.2 时间序列的分类
        2.1.3 时间序列的特性
    2.2 深度学习理论
        2.2.1 神经元与BP算法
        2.2.2 卷积神经网络
        2.2.3 循环神经网络
    2.3 注意力机制
        2.3.1 注意力机制原理
        2.3.2 注意力机制分类
    2.4 本章小结
第三章 基于SAC-GRNN的时序预测模型
    3.1 问题定义及符号表示
    3.2 模型介绍
        3.2.1 门控循环单元
        3.2.2 一维卷积和自注意力
        3.2.3 自回归
        3.2.4 模型输出
    3.3 实验设计与分析
        3.3.1 数据集及评价指标
        3.3.2 实验准备
            3.3.2.1 数据归一化和样本构建
            3.3.2.2 实验设置
        3.3.3 实验结果分析
            3.3.3.1 模型超参数分析
            3.3.3.2 模型性能对比分析
            3.3.3.3 消融实验对比分析
    3.4 本章小结
第四章 基于DCC-GNN的时序分类模型
    4.1 问题定义及符号表示
    4.2 模型介绍
        4.2.1 双通道卷积网络
        4.2.2 门控循环网络
        4.2.3 模型输出
    4.3 实验设计与分析
        4.3.1 数据集与评价指标
        4.3.2 实验设置
        4.3.3 对比结果分析
    4.4 本章小结
总结与展望
    本文工作总结
    未来工作展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3934042