导读:本文包含了时间序列预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:序列,时间,神经网络,卷积,深度,奇点,湖北省。
时间序列预测论文文献综述
刘慧鑫,张江龙,连鸿松,郑东升,赖永华[1]（2019）在《基于时间序列模型的变压器油中溶解气体预测》一文中研究指出变压器作为电力系统的核心设备,其安全运行是电力系统稳定可靠的基础。根据在线监测系统提供的油中溶解气体含量历史数据,预测未来气体体积分数及其发展趋势,是DGA故障预测的关键,也是在线监测的必要补充和提前预警变压器故障的重要手段。现有的预测算法存在着模型泛化性差和没有考虑时间序列模型等问题。为提高预测能力,文中首先介绍了非时序有监督学习和时间序列模型关键技术及其在变压器油中溶解气体体积分数预测的应用;然后搜集和发布了一个大规模数据样本,为算法提供了一个较为全面的验证集,提高模型的泛化性;最后使用前向数据分割方法进行数据增强,增加模型的训练数据。大量实验证明了时间序列模型在变压器油中溶解气体体积分数预测的有效性。(本文来源于《高压电器》期刊2019年12期）
王永梅[2]（2019）在《基于时间序列的建筑工程造价预测探究》一文中研究指出在建设项目的项目管理中,项目成本管理的控制是一项非常重要的工作。当今现代建筑市场的创新发展为控制建筑项目成本提出了许多新的控制方法。基于时间序列的工程造价控制是将统计概率分析合理地应用于工程造价控制中,通过科学的数据计算和分析,可以提高建筑工程的整体造价控制水平。如今,根据建筑项目成本预测的时间序列,个体建筑企业已取得了出色的成果。因此,加强对建设项目成本预测和利用时间序列的分析具有重要的现实意义和理论意义。(本文来源于《建材与装饰》期刊2019年34期）
杨珺,佘佳丽,刘艳珍[3]（2019）在《基于深度置信网络的时间序列预测》一文中研究指出针对传统计算机神经网络存在梯度弥散、局部最小值、非线性时间序列长期预测性能不佳和高维序列数据复杂度高等问题,提出时序深度置信网络模型(timing deep belief network model,T-DBN).该模型预训练阶段采用改进的贪婪预训练算法,在预训练过程中使用梯度修正并行回火(gradient fixing parallel tempering,GFPT)算法,采用重构误差确定网络深度,在反向调整阶段采用拟牛顿法(BFGS算法),以获得更加准确的预测精度.结合相空间重构理论和BP (back propagation)神经网络,对中国江西省2016—2020年农业机械总动力进行了预测.针对高非线性的股票数据,提取同花顺软件1990-12-20—2018-03-30时间段内的上证指数特征信息,分别采用T-DBN、DBN和长短期记忆(long short-term memory,LSTM)模型进行股票预测,预测准确率分别为79. 3%、77. 9%和74. 6%,T-DBN模型的预测准确率高于DBN和LSTM模型.(本文来源于《深圳大学学报(理工版)》期刊2019年06期）
闫理跃,王厚军,刘震[4]（2019）在《考虑奇点扰动问题的时间序列预测方法》一文中研究指出目前,对于各种工业产品可靠性或者剩余寿命的预测方法通常都基于历史退化数据,这些历史数据的趋势变化可以为产品最终的维修和保障决策提供理论依据。然而,退化数据中出现的奇点扰动问题经常导致预测的准确性严重下降,这是可靠性预测领域的一个巨大挑战。为解决这个问题,该文采用样条函数方法作为数据趋势逼近模型,针对退化趋势中存在的各种奇点扰动情况,叁次非多项式样条模型的二阶导数可以形成观测状态序列。引入了一种改进的结合粒子群优化算法的加权隐马尔科夫方法来外推样条函数所生成的观测序列,计算所产生的参数将更新样条函数的参数,组成一套综合完整的优化预测器。仿真和实例实验均证明了该方法的有效性。(本文来源于《电子科技大学学报》期刊2019年06期）
熊有成,赵鸿[5]（2019）在《长短期记忆网络预测混沌时间序列》一文中研究指出近年来,深度学习技术的快速发展推动了机器学习的广泛应用.其中,储备池计算(Reservoir Computing)方法由于在混沌时间序列预测方面的卓越效果而受到了越来越多的重视,形成了一个新的研究热点.本文以传统的长短期记忆网络(LSTM)和全连接层作为模型的基础,构建了基于循环神经网络的LSTM学习机.在仿真实验中,我们以平均有效预测时间作为度量指标,使用模型对洛伦兹系统的状态变量进行预测,并针对混沌系统特殊的动力学性质,为模型搭配了四项策略来辅助预测.结果表明, LSTM学习机搭配合适的组合策略,其预测能力也能达到与储备池计算相比拟的效果,且模型复杂度更低.因此,储备池计算并没有超越于传统方法的绝对优势,这启发我们通过进一步研究学习机预测时间序列的机制和方法,寻找更加有效的时间序列预测学习机.(本文来源于《中国科学:物理学 力学 天文学》期刊2019年12期）
杜文晟[6]（2019）在《基于时间序列方法的湖北省居民消费价格指数预测分析》一文中研究指出以湖北省的居民消费价格指数数据为研究对象,使用ARIMA模型对数据进行拟合,并据此作出预测。(本文来源于《湖北师范大学学报(哲学社会科学版)》期刊2019年06期）
武洪昆,季元旗[7]（2019）在《基于时间序列模型的天然气预测系统》一文中研究指出清洁能源天然气是中国能源转型的必然选择。目前,中国的天然气产业正处于快速发展期。未来,天然气承担着中国能源转型的重任,具有广阔的发展前景。但中国天然气产业发展受制于一系列内外问题,建议持续加强天然气产供储销体系建设,推动需求侧增长,建立天然气产业信息沟通机制,完善下游市场信用体系,加快市场化推进进度,以实现产业持续健康快速发展。(本文来源于《信息系统工程》期刊2019年11期）
许国艳,朱进,司存友,胡文斌,刘凡[8]（2019）在《基于CNN和MC的水文时间序列预测组合模型》一文中研究指出对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。(本文来源于《计算机与现代化》期刊2019年11期）
王宇飞,杜天苍[9]（2019）在《基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用》一文中研究指出针对大数据监控系统对时间序列预测准确性和实时性的需求,以及大数据监控系统中时间序列呈现趋势性和季节性变化的特点,选择Holt-Winters算法建立时间序列预测模型。首先介绍时间序列的概念和特点,然后分析Holt-Winters算法的原理以及预测条件。选取合适的平滑系数是影响Holt-Winters算法预测准确性的关键,结合L-BFGS算法在不同时间区间求最优解,实现动态平滑系数的选取。最后以用户2天的页面访问量作为实验数据,通过相对误差指标的比较分析,验证该算法能满足大数据监控系统对时间序列预测的需求,具有较好的实际应用效果。(本文来源于《计算机与现代化》期刊2019年11期）
肖明,徐烨[10]（2019）在《时间序列下关键词多词共现分析及研究热点预测——以我国图情领域核心期刊为例》一文中研究指出[目的/意义]提出挖掘关键词多词共现的方法,从而揭示领域的研究主题并预测未来的研究热点。[方法/过程]以我国图情领域为例,通过Apriori算法,对近12年15种核心期刊关键词矩阵进行关联规则挖掘,并结合时间序列预测法对挖掘出的关键词集进行短期预测。[结果/结论]该方法挖掘出442组关键词集,得出近12年来我国图情领域的研究热点,并选择了4组典型的关键词集进行短期预测,分析这些领域的未来趋势。(本文来源于《情报探索》期刊2019年11期）
时间序列预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在建设项目的项目管理中,项目成本管理的控制是一项非常重要的工作。当今现代建筑市场的创新发展为控制建筑项目成本提出了许多新的控制方法。基于时间序列的工程造价控制是将统计概率分析合理地应用于工程造价控制中,通过科学的数据计算和分析,可以提高建筑工程的整体造价控制水平。如今,根据建筑项目成本预测的时间序列,个体建筑企业已取得了出色的成果。因此,加强对建设项目成本预测和利用时间序列的分析具有重要的现实意义和理论意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
时间序列预测论文参考文献
[1].刘慧鑫,张江龙,连鸿松,郑东升,赖永华.基于时间序列模型的变压器油中溶解气体预测[J].高压电器.2019
[2].王永梅.基于时间序列的建筑工程造价预测探究[J].建材与装饰.2019
[3].杨珺,佘佳丽,刘艳珍.基于深度置信网络的时间序列预测[J].深圳大学学报(理工版).2019
[4].闫理跃,王厚军,刘震.考虑奇点扰动问题的时间序列预测方法[J].电子科技大学学报.2019
[5].熊有成,赵鸿.长短期记忆网络预测混沌时间序列[J].中国科学:物理学力学天文学.2019
[6].杜文晟.基于时间序列方法的湖北省居民消费价格指数预测分析[J].湖北师范大学学报(哲学社会科学版).2019
[7].武洪昆,季元旗.基于时间序列模型的天然气预测系统[J].信息系统工程.2019
[8].许国艳,朱进,司存友,胡文斌,刘凡.基于CNN和MC的水文时间序列预测组合模型[J].计算机与现代化.2019
[9].王宇飞,杜天苍.基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用[J].计算机与现代化.2019
[10].肖明,徐烨.时间序列下关键词多词共现分析及研究热点预测——以我国图情领域核心期刊为例[J].情报探索.2019
论文知识图
