论文部分内容阅读
时间序列数据广泛存在于电子商务,金融,视频活动分析等任务中,针对时序数据的分析和预测是一项十分重要且有挑战性的工作。对时间序列分析的难点有二,其一是:时间序列数据具有时序性。其二是:时间序列数据通常包含较多的噪声。回声状态网络(Echo State Network,ESN)是目前一种流行的时间序列分析模型,它的储蓄池(相当于传统神经网络的隐藏层)的循环连接使其具有一定的"记忆"能力,可以很好地拟合出时间序列数据的时序关系。由于回声状态网络储蓄池中的节点个数较多,当它被用来拟合噪声较多的数据时,容易造成过拟合,影响模型的预测能力。传统ESN模型中,ESN输入层到储蓄池、储蓄池内部节点之间连接权重随机生成,ESN的性能依赖于这种随机性,导致它具有不稳定性。为了得到合适的ESN,通常需要不断地随机生成ESN,直到产生合适模型为止,传统方法无法保证新生成的ESN优于之前的ESN。基于回声状态网络的上述缺点,本文提出了多目标多样性回声状态网络(Multi-objective Diversified Echo State Network,MODESN),MODESN 定义了 ESN 多样性。ESN 多样性通过考虑储蓄池中节点之间的冗余度,从而尽可能地避免过拟合情况发生。MODESN利用多目标遗传算法同时对ESN多样性和预测准确率进行优化,使得新生成的ESN模型向期望的方向演化,从而避免了传统生成ESN方法的随机性。本文的主要工作可以总结如下:(1)本文定义了 ESN多样性,通过优化ESN多样来优化ESN结构,从而尽可能避免过拟合。(2)本文改进了一种多目标遗传算法,并用其对ESN多样性和预测准确率同时进行优化,规范了 ESN演化方向。(3)本文将日本蜡烛图技术与MODESN模型结合,降低了特征数量,避免引入不必要的噪声。