基于周期性建模的时间序列预测方法及电价预测研究
时间序列数据广泛存在于人类的生产生活中,通常具有复杂的非线性动态和一定的周期性.与传统的时间序列分析方法相比,基于深度学习的方法更能捕捉数据的深层特性,对具有复杂非线性的时间序列有较好的建模效果.为了在神经网络中显式地建模时间序列数据的周期性和趋势性,本文在循环神经网络的基础上引入了周期损失和趋势损失,建立了基于周期性建模和多任务学习的时间序列预测模型.将模型应用到欧洲能源交易所法国市场的能源市场价格预测中,结果表明周期损失和趋势损失能够提高神经网络的泛化能力,并提高预测时间序列趋势的精度.
时间序列预测、深度学习、循环神经网络、周期趋势建模
46
国家重点研究发展计划基金;国家自然科学基金
2020-07-27(万方平台首次上网日期,不代表论文的发表时间)
共9页
1136-1144