融合序列分解与Prophet模型的时序预测
传统时序预测方法其预测过程无法在相同数据集上推出共享模式,而机器学习方法无法较好地处理非线性和大规模数据集,并且需要手动设计特征工程.深度学习方法弥补了传统预测方法需要高计算高人力的弊端,用自动学习特征工程代替了手动设计特征工程.但仅使用深度学习的预测方法所作结构假设较少,通常需要较高的计算资源以及大量的数据来学习得到准确的模型.针对上述问题,本文提出通过采用融合t检验的EMD经验模态将序列分为高频分量和低频分量,对高频分量使用传统STL序列分解方法进一步对数据做处理,对高频、低频分量分别进行Prophet预测.实验结果表明,相较于传统的LSTM以及Prophet预测模型,经过STL序列分解后的周期数据能够提升模型的整体预测精确度而融合EMD经验模态的Prophet模型则大大提升了训练效率.
STL、时间序列、时序预测、序列分解、经验模态分解
32
TP391;TP181;TP277
2023-11-15(万方平台首次上网日期,不代表论文的发表时间)
共8页
294-301