论文部分内容阅读
时间序列是蕴含着丰富信息的数据,时间序列预测作为重要的数据分析方法,一直受到各领域学者的关注。实际应用中,简单的平稳序列比较少见,寻找一种能够有效地处理复杂非平稳时间序列并对其进行准确预测的方法至关重要。本研究将长短时间记忆网络(Long Short-Term Memory,LSTM)对非线性和非平稳时间序列有较强逼近能力的优点与自回归滑动平均模型(AutoRegressive Moving-Average models,ARMA)适用于线性、平稳时间序列建模和预测的特点结合,提出一种新的基于深度学习的时间序列混合预测方法。相对于现有方法,该方法的不同之处在于:(1)利用多分辨分析理论,对时间序列进行小波分解,得到多个子序列并对每个子序列进行平稳性分析。在时间序列预测领域,前人多将小波分析用于序列去噪,以提高预测精度。本文方法通过小波分解,得到代表细节波动的平稳子序列和包含周期性、季节性及趋势信息的非平稳序列。(2)对代表细节波动的平稳子序列使用较低计算复杂度的ARMA进行建模与预测,通过该步骤提高了时间序列细节部分的拟合和预测精度。前人方法多通过差分等方式去掉周期性、季节性或趋势项的影响,以得到满足基于数理统计的时间序列预测方法前提条件的序列。本文方法对小波分解后的各级子序列进行单支重构,再使用ARMA进行建模与预测,保留了原时间序列完整的细节波动。(3)区别于基于人工神经网络对整个时间序列进行拟合和预测,本文仅对对原时间序列中包含的周期性、季节性及趋势信息的非平稳子序列使用LSTM进行建模与预测。通过该步骤保留了时间序列中变化缓因素对时间序列的影响,提高了对时间序列整体趋势的拟合和预测精度的同时,还降低了网络复杂度。(4)本文利用小波变换能完美重构原始信号的特点,对各模型的预测子序列进行重构,得到最终预测结果。与前人方法相比,得到的预测结果既没有损失细节信息,也没有损失整体趋势信息。相对于回归求和滑动平均(AutoRegressive Intergrated Moving Average,ARIMA)方法、BP神经网络和直接用LSTM方法,本方法在不同类型的数据集上,其拟合精度及预测精度上都具有明显的优势,无论是周期和整体趋势的预测,还是细节波动的捕捉,都能得到兼顾。同时精简了深度学习方法LSTM的网络结构,缓解了 LSTM网络训练困难等问题。