摘要
时间序列预测广泛应用于金融分析、交通拥堵预测、用电量预测等领域。捕获时间序列数据中蕴涵的多种趋势关系是提高时间序列预测准确率的关键。提出了一种多趋势时间序列模型(DCLSTNet)。首先利用纵向卷积、横向卷积提取时间序列数据的自相关和互相关趋势,其次使用循环神经网络、跳接记忆循环神经网络提取时间序列数据的长短期趋势以及超长期趋势,随后叠加线性自回归模型提取时间序列数据的线性趋势。对道路占用率数据、用电量数据进行实验时,DCLSTNet模型预测的平均误差较VAR、RNNGRU、LSTNetSkip模型在道路占用率数据中分别减少了6.28%、3.04%、1.45%;在用电量数据中分别减少了28.76%、8.1%、3.17%。实验结果表明,DCLSTNet模型能够有效地捕获时间序列数据中蕴涵的多种趋势关系,从而提升时间序列预测的准确率。
出处
《计算机应用研究》
CSCD
北大核心
2020年第S02期47-49,共3页
Application Research of Computers
基金
国家自然科学基金(民航联合基金)资助项目(U1933123)
