基于深度学习的多变量时间序列预测算法与应用研究

来源 :南京大学 | 被引量 : 0次 | 上传用户:Helilujah
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
时间序列预测是典型的时间序列分析任务,对于辅助决策、资源配置、提前采取止损措施等方面有重要意义,在包括电力、气象、交通、商业等领域有广泛应用。基于深度学习的时间序列预测算法以数据驱动的方式,学习序列特征,建模历史数据和未来数据之间的映射关系。由于深度学习模型在复杂度和序列特征表示方面的优势,近些年时间序列预测算法越来越多地采用深度神经网络进行构建,以捕捉复杂模式。在实际应用中基于深度学习的时间序列预测算法表现优于基于统计的时间序列分析预测算法。其中单变量时间序列预测、多变量时间序列预测、时间序列多步预测等一直是热门研究领域。另外,实时运行的信息系统产生大量时序数据,主要包括系统性能监测数据。预测系统性能的未来趋势可以为现代信息系统的日常运行维护提供重要帮助。随着信息系统的广泛部署,基于深度学习的时间序列预测算法在信息系统运维领域得到越来越多的应用。本文主要研究以下两个问题:(1)多变量时间序列预测算法的局部变量预测精度问题,即多变量预测算法在优化整体预测精度的同时如何保障局部变量的预测精度;(2)数据库管理系统(DBMS)的系统性能预测问题,即如何进行性能分数的趋势预测并挖掘具有前K影响力的关键性能指标(KPI挖掘)。针对多变量预测算法的局部变量预测精度问题,本文设计并实现了一种基于自演化预训练的多变量时间序列预测算法SEPNets。受预训练模型启发,SEPNets首先构建、训练单变量时间序列模型作为后续建模的基准;然后基于时序卷积网络(1维卷积)与长短记忆(LSTM)单元建模变量间复杂的时序依赖关系;通过将前者作为后者的预训练模型进行融合再训练,SEPNets解决了多变量时间序列预测的局部变量预测精度问题。实验结果表明,本文提出的SEPNets算法在获得相对最高的预测精度的同时保障了局部变量的预测精度,在各性能指标上优于现有的多变量时间序列预测算法。针对DBMS的系统性能分数的趋势预测和KPI挖掘问题,我们设计并实现了一种基于多任务神经网络的系统性能预测算法MTSL。从任务相关性出发,MTSL利用小波分析方法捕捉性能分数时间序列的多分辨率信息,结合多个LSTM网络与堆叠式长短记忆网络(Stacked LSTM)捕捉高维KPI时间序列的复杂时序信息,并通过共享两个任务网络隐层向量的方式,进行信息共享与多任务训练。MTSL能够并行地实现系统性能分数序列的多步预测、以及挖掘具有前K影响力的关键性能指标。实验结果表明,MTSL算法在系统性能分数趋势预测和关键性能指标挖掘方面取得了较好的精确度。
其他文献
本文着眼于全面质量管理,组织全员参加、实施全过程控制,综合有杉多种科学方法来提高人们工作质量。保证工序质量,并以工序质量为保证产品质量,达到全面 提高企业和社会经济效益
2019年6月5日,由中国文物保护基金会主办,杭州市园林文物局协办的第十一届“薪火相传”活动在杭州正式启动。本届活动以“寻找红色基因传承者”为主题,在全国范围内寻找那些
自从1998年12月31日BP和阿莫科进行历史性的合并后,BP的市场价值已攀升至400亿美元左右。过去5年来,股东收益接近250%,远远超过其他竞争对手。它是世界最大的石油和石化集团
本文从佛教文化在中国承袭和衍生的角度。通过对五台山沙门道殷及其思想的研究,论述了道殷对密教中国化的探索和实践。
传统公司法从董事与公司之间信托或委任关系出发,认为董事仅对公司负有信义义务,并承担违反信义义务的法律责任。董事对公司债权人不承担任何信义义务,因此,董事对于职务行为中对
针对传统发输电系统可靠性评估方法抽样次数多、耗时长等问题,提出一种基于分层自寻优抽样技术的状态空间分割方法。通过合理划分全状态空间,选用解析法和模拟法对两个子空间
古洞口水利枢纽工程溢洪道基础锚桩采用竖向钢筋电渣压力焊技术,对长22m的锚桩钢筋进行对焊,在速度和质量方面均收到了较好效果。
本文在分析乐山崖墓佛像与佛教传入乐山的史实基础上,列举并对比关于峨眉山佛教传入时间的几种观点,认为峨眉山佛教'东汉传入说'是正确的;峨眉山第一座寺庙建于东汉,
跨文化交流的深度和广度在日益扩大.在语言教学过程中加强文化教学、培养胜任跨文化交际任务的外语人才十分迫切.受传统教学模式的影响,文化教学受重视的程度还有待提高.本文