10.3969/j.issn.1001-4373.2023.02.008
基于改进VMD和注意力机制的混沌时间序列预测
采用神经网络预测混沌时间序列时,已有研究忽略了混沌时间序列的物理信息混叠现象,难以满足预测时混沌时间序列特征提取的需求,而变分模态分解的结果受参数影响较大,合适的参数能够大大提升变分模态分解的效果,故提出一种模拟退火算法优化的自适应变分模态分解算法,解决参数选择问题.长短期记忆神经网络适用于时序信息的处理,但易忽略输入之间的关联信息,而自注意力机制可加强数据内部关联,有利于重要特征的提取,因此将自注意力机制融入长短期记忆网络.通过引入这两种方法形成融合神经网络模型,采用真实混沌时间序列验证了所提出方法的有效性.对比实验结果表明:所提出的融合神经网络模型可有效提取混沌时间序列中隐含的动力学特征,显著改进神经网络的注意力配比,有效解决预测中出现的超前现象,从而大幅提高了混沌时间序列预测的精确性和稳定性.
混沌时间序列、变分模态分解、自注意力机制、神经网络
42
U491.1(交通工程与公路运输技术管理)
2023-04-28(万方平台首次上网日期,不代表论文的发表时间)
共9页
55-63