CN114239990B 一种基于时间序列分解和lstm的时间序列数据预测方法 （长春大学）_第1页
CN114239990B 一种基于时间序列分解和lstm的时间序列数据预测方法 （长春大学）_第2页
CN114239990B 一种基于时间序列分解和lstm的时间序列数据预测方法 （长春大学）_第3页
CN114239990B 一种基于时间序列分解和lstm的时间序列数据预测方法 （长春大学）_第4页
CN114239990B 一种基于时间序列分解和lstm的时间序列数据预测方法 （长春大学）_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于时间序列分解和LSTM的时间序列本发明公开了一种基于时间序列分解和神经网络和第二神经网络模型对测试集进行联2对原始时间序列数据进行一阶差分和二阶差分，分解原始时间序列数据得到周期分步骤二、基于LSTM建立用于趋势分量和余项预测的第一使用第一训练集对第一神经网络模型进行训练和调参，得到训练通过训练好的第一神经网络预测第一训练集和第一测试集的趋势分量以及余项；步骤四、将训练好的第一神经网络和第二神经网络模型对第一测试集进行联合预测，使用第一神经网络处理第一测试集，将预测得到的趋势分量、余项通过训练好的第二神经网络对第二测试集进行预测，将预2.根据权利要求1所述的基于时间序列分解和LSTM的时间序列数据预测方法，其特征将第一神经网络预测得到的趋势分量、余项以及相应的周期分3.根据权利要求2所述的基于时间序列分解和LSTM的时间序列数据预测方法，其特征34.根据权利要求3所述的基于时间序列分解和LSTM的时间序列数据预测方法，其特征4的不断发展，循环神经网络(RecurrentNeuralNetwork，RNN)，长短期记忆网络(Long[0004]时序数据分解在时间序列分析上有着很重要的作用。时间序列数据一般分解为356[0041]如图1-5所示，本发明提供一种基于时间序列分解和LSTM的时间序列数据预测方[0042]采用python软件，版本号为：python3.7，tensorflow1.14，运行软件环境：windows10，硬件配置：处理器AMDRyzen54600HwithRadeonGraphics(12CPUs)，差分序列、周期分量序列、趋势分量序列和余项序列。60指每个滑动窗口中前60个数据。神经网络模型,用于将趋势分量、周期分量以及余项拟合成对应时间序列数据的7途和其他的信息。使用该GitHub项目(/thepanacealab/covid19_twitter)中的COVID_19_dataset_Tutorial可以快速下载8[0069]将第一神经网络模型预测得到的第一训练集和第一测试集中的趋势分量和余项序列分解和LSTM的时间序列数据预测方法可以有效提高最终预测结果9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论