基于随机自适应时间序列预测的多模态融合研究

作     者：王旭 

作者单位：吉林化工学院 

学位级别：硕士

导师姓名：侯一民

授予年度：2024年

学科分类：12[管理学] 02[经济学] 07[理学] 08[工学] 070103[理学-概率论与数理统计] 0202[经济学-应用经济学] 020208[经济学-统计学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0714[理学-统计学（可授理学、经济学学位）] 0835[工学-软件工程] 0701[理学-数学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：时间序列预测 自适应小波降噪 独立成分分析 贝叶斯网络 

摘      要：由于近些年工业、商业、农业等各个领域的技术发展应用了时间序列预测方法,所以时间序列分析颇受关注。时间序列预测概括即为:根据过去排列好的时间所出现的数据,以这些数据的趋势与周期,去预测接下来某段时间的数据。本文的研究内容大致如下: (1)为了提升长短时间序列预测的泛化性与数据通用性。提出基于GRU模型的改进与结合方法,配合时间反向截断贝叶斯方法,利用这种方法的自适应性可以给预测结果一个宽泛的范围,使结果有良好的不确定性、泛化性,使用随机变量代替GRU的参数,有效减少了大量的计算过程与参数。 (2)在时域预测模型会因为学习时间特征而忽略时间序列中频域信息。针对以上问题,使用一种基于CEEDMAN-自适应小波降噪-独立成分分析相组合的通用多类型时序数据去噪模型。首先提取多个IMF,对每个的高频部分进行降噪处理,再用完全噪声与初始信号来计算信号的独立成分,最后进行数据还原即可。 (3)对现有的informer模型进行改造,使用总体多头注意力机制代替原有的多头注意力机制,提高计算效率;但informer模型在节省算力的同时也忽视了一些局部数据,造成预测的结果可能趋于预测数据均值,所以用因果膨胀卷积代替informer模型中的正则卷积,来增强感受野,弥补了局部信息缺失的问题。