基于改进长短期记忆网络的时间序列预测研究

摘要：

时间序列预测是研究时间数据行为和预测未来值的一项重要技术,为进一步扩展时间序列预测方法论,提出了一种新颖的时间序列预测框架来处理时间序列预测问题,即VMD-JADE-基于注意力机制的双向长短期记忆网络.变分模态分解用来分解历史时间序列数据,具有降噪的功能;改进的差分进化算法JADE用来优化LSTM的超参数;最后采用基于注意力机制的双向LSTM进行预测,双向机制可以从顺序和逆序两个方向挖掘输入变量的重要信息,注意机制通过对输入的特征赋予不同的权重来捕获重要的因素,有助于提升LSTM的预测性能.在两个时间序列数据集上的实验结果表明,与其它常用的预测方法相比,改进的LSTM模型具有更好的预测性能.

关键词：时间序列预测、深度学习、长短期记忆网络、变分模态分解、玉米期货价格

所属期刊栏目：44

分类号：F272.1(企业经济)

资助基金：国家社会科学基金20&ZD126

在线出版日期：2022-08-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：487-494,499