论文部分内容阅读
随着大数据时代的发展,数据的数量、种类不断激增。其中,时间序列数据是一种重要的数据形式,分布广泛且多样,其研究价值日益凸显。时间序列预测是信号处理领域的研究方向之一。借助时间序列分析与预测,人们利用各种算法对时间信号进行建模和处理,挖掘其内在规律,以达到预测未来值的目的。高精度的预测模型可以帮助相关人员更好地进行决策,从而减少风险,提高收益,在许多场景中具有很高的应用价值。近年来,深度学习技术凭借着其出色的特征提取能力和高效的泛化性能受到了人们的广泛关注,这也为时间序列预测方法提供了一个全新的思路。但是时间序列数据往往呈现出非平稳、非线性和多维度等特点,单一的深度学习模型难以有效提取时间序列的深层特征,难以挖掘数据的内在特性和识别出数据间的潜在模式。为此,本文在对各种深度学习模型研究的基础上,提出了以下两种组合预测模型:（1）基于自适应噪声完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和时间卷积网络（Temporal ConvolutionalNetwork,TCN）的组合时间序列预测模型CEEMDAN-TCN。首先,针对时间序列数据非线性、非平稳性的特点,借助CEEMDAN算法对时间序列进行分解预处理,得到若干个不同频率的子序列,以此来降低原时间序列的复杂性;然后,使用TCN对各个子序列进行建模;最后,将所有的TCN模型的输出进行求和,得到最终的预测结果。实验结果表明,与长短期记忆模型和其他混合模型相比,提出的CEEMDAN-TCN模型在单变量和多变量预测任务中均表现出更好的性能。（2）基于密集连接卷积神经网络（Densely Connected ConvolutionalNetworks,DenseNet）和时间卷积网络（Temporal ConvolutionalNetwork,TCN）的时间序列成像的DenseNet-TCN预测模型。首先,通过递归图、格拉姆角场和马尔可夫变迁场将时间序列数据分别进行预处理,包括将其编码为若干张单通道图像和将这些单通道图像进行堆叠成若干多通道图像,最后送入DenseNet中进行特征提取,再利用TCN预测模型输出最后的预测结果。实验表明,该方法能进一步提取时间序列数据间的时间相关信息和模式信息,在长期预测任务中能获得一个较高的预测精度。