基于机器学习的短时时间序列&时空预测方法及应用研究

基于机器学习的短时时间序列&时空预测方法及应用研究

论文摘要

在自然科学和社会生产各种领域工作中,需要进行大量决策,而决策问题离不开预测。预测是基于历史数据对未来事物发展的一种探索。预测问题可以来源于任何类型的数据集。有一类数据被称为时间序列数据,基于时间序列数据的时间序列预测问题研究如何有效地挖掘数据在时间维度发展的潜在关系,对数据的未来发展做出预测。在现实应用中,有些问题仅考虑时间维度的信息往往不能满足问题的解决条件和不断增长的多维数据应用需求,增加空间维度信息的时空预测方法既可以考虑时间特征,也考虑空间特征的影响。本文中提出了两种预测模型,分别解决时间序列预测和时空预测中所存在的主要问题。具体如下:影响时间序列预测模型的准确性与鲁棒性下降的主要原因在于时间序列数据的非平稳性特征。对道路交通流的预测是典型的时间序列预测问题,本文将以短时交通流预测为主要应用,提出一种非平稳环境下的短时交通流预测算法。首先,本文利用季节模型的思想处理交通流数据,消除其非平稳性。选择支持向量回归(SVR)作为预测的基本方法,使用核函数将低维交通流数据转化到高维空间,构造线性决策函数将回归预测问题转化为凸二次规划问题,通过结构风险最小化原理获得最优解。机器学习模型的超参数优化问题一直是困扰机器学习应用发展的一个主要问题,对此,本文提出了一种自动参数优化的方法。将模型的超参数优化过程视为一个黑盒函数寻优过程,通过贝叶斯优化方法获得函数的最大值,利用高斯过程构造目标函数的先验概率模型,再通过贝叶斯理论来计算出后验概率。多次迭代之后,得到最优超参数组合,使得预测模型可以获得最佳学习效果。通过对比实验验证,所提出的模型具有良好的预测精度和稳定性。时空预测的难点主要在于时空结构信息的有效提取。本文以基于雷达数据时空外推的短期降雨预测为主要应用,研究短时时空预测,提出一种有效获取提取时空结构信息的深度神经网络模型用于短期降雨回归预测。针对雷达图像时间序列数据样本,本文首先用一组卷积神经网络(CNN)提取雷达图像所蕴含的空间信息,完成气象空间特征编码。在此之上,将提取的特征图作为长短期记忆网络(LSTM)的输入,通过LSTM来提取雷达特征图像时序上的相关性,完成雷达气象图时间维度的特征学习。卷积神经网络与LSTM的融合,有效地提取了雷达图像的时空特征,最后通过全连接层输出,完成降雨量回归预测,构造了完整的雷达外推短期降水预测框架。基于真实采集数据的实验验证了所提出算法的具有良好的预测精度。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  •   1.1 研究背景及意义
  •   1.2 国内外研究现状
  •     1.2.1 时间序列预测研究现状
  •     1.2.2 时空预测研究现状
  •   1.3 本文工作
  •   1.4 论文结构安排
  • 第2章 相关应用研究
  •   2.1 时间序列预测
  •     2.1.1 相关应用
  •     2.1.2 短时交通流预测基本理论概述
  •   2.2 时空预测
  •     2.2.1 相关应用
  •     2.2.2 短期降雨预测基本理论概述
  • 第3章 基于BO-SVR的短时交通流预测模型
  •   3.1 短时交通流预测过程简介
  •   3.2 支持向量回归(SVR)算法
  •   3.3 预测模型
  •     3.3.1 贝叶斯优化算法
  •     3.3.2 基于贝叶斯优化的SVR算法
  •   3.4 实验
  •     3.4.1 实验设置
  •     3.4.2 验证贝叶斯优化的有效性
  •     3.4.3 对比实验
  •   3.5 本章小结
  • 第4章 基于CNN与LSTM的短时降雨预测模型
  •   4.1 基于雷达数据降雨预测方法简介
  •   4.2 卷积神经网络(CNN)
  •   4.3 循环神经网络(RNN)
  •     4.3.1 长短期记忆神经网络(LSTM)
  •   4.4 预测模型
  •   4.5 实验
  •     4.5.1 实验数据
  •     4.5.2 权值参数优化过程及模型评价指标
  •     4.5.3 对比实验
  •   4.6 本章小结
  • 结论
  • 参考文献
  • 附录A 攻读学位期间所发表的学术论文目录
  • 附录B 攻读学位期间参与的主要项目
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 汪成成

    导师: 王东

    关键词: 时间序列预测,时空预测,参数优化,机器学习,深度学习

    来源: 湖南大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 数学,自动化技术

    单位: 湖南大学

    分类号: O211.61;TP181

    DOI: 10.27135/d.cnki.ghudu.2019.002561

    总页数: 60

    文件大小: 2293K

    下载量: 153

    相关论文文献

    • [1].基于非稳态时间序列的生理控制模型研究[J]. 系统工程理论与实践 2020(02)
    • [2].基于多样化top-k shapelets转换的时间序列分类方法[J]. 计算机应用 2017(02)
    • [3].时间序列趋势预测[J]. 现代计算机(专业版) 2017(02)
    • [4].基于分型转折点的证券时间序列分段表示法[J]. 商 2016(31)
    • [5].基于ARMA模型的股价预测及实证研究[J]. 智富时代 2017(02)
    • [6].《漫长的告别》(年度资助摄影图书)[J]. 中国摄影 2017(04)
    • [7].王嵬作品[J]. 当代油画 2017(07)
    • [8].基于模糊时间序列的计算机信息粒构建研究[J]. 粘接 2020(10)
    • [9].基于时间序列挖掘的合成旅装备维修保障能力预测[J]. 系统工程与电子技术 2020(04)
    • [10].风速时间序列混沌判定方法比较研究[J]. 热能动力工程 2018(07)
    • [11].土壤退化时间序列的构建及其在我国土壤退化研究中的意义[J]. 土壤 2015(06)
    • [12].基于信息颗粒和模糊聚类的时间序列分割[J]. 模糊系统与数学 2015(01)
    • [13].不确定时间序列的降维及相似性匹配[J]. 计算机科学与探索 2015(04)
    • [14].时间序列的异常点诊断方法[J]. 中国卫生统计 2011(04)
    • [15].基于独立成分分析的时间序列谱聚类方法[J]. 系统工程理论与实践 2011(10)
    • [16].面向不确定时间序列的分类方法[J]. 计算机研究与发展 2011(S3)
    • [17].一种基于频繁模式的时间序列分类框架[J]. 电子与信息学报 2010(02)
    • [18].超启发式组合时间序列预报模型[J]. 福建电脑 2020(08)
    • [19].基于深度学习的时间序列算法综述[J]. 信息技术与信息化 2019(01)
    • [20].基于时间序列符号化模式表征的有向加权复杂网络[J]. 物理学报 2017(21)
    • [21].基于互相关的二阶段时间序列聚类方法[J]. 计算机工程与应用 2016(19)
    • [22].基于期货市场行为的时间序列切分及表示方法研究[J]. 中国管理信息化 2015(19)
    • [23].基于形态特征的时间序列符号聚合近似方法[J]. 模式识别与人工智能 2011(05)
    • [24].基于模糊时间序列对我国对外贸易中的进口水平的预测[J]. 统计与决策 2010(23)
    • [25].模糊变量时间序列及其应用[J]. 辽宁工程技术大学学报(自然科学版) 2010(06)
    • [26].时间序列流的分层段模型[J]. 小型微型计算机系统 2009(04)
    • [27].发动机转速时间序列分形特征分析[J]. 机械科学与技术 2008(11)
    • [28].基于HDAD的异构航空数据异常检测的研究[J]. 计算机仿真 2020(03)
    • [29].重庆藕塘滑坡地下水位时间序列混沌性判别与预测[J]. 人民长江 2020(S1)
    • [30].基于能量过滤的不确定时间序列数据清洗方法[J]. 智能计算机与应用 2019(04)

    标签:;  ;  ;  ;  ;  

    基于机器学习的短时时间序列&时空预测方法及应用研究
    下载Doc文档

    猜你喜欢