论文部分内容阅读
时间序列数据的易获取,广泛存在等特点,使得有关时间序列的研究越来越重要。因此,有关时间序列分类任务和时间序列预测任务的研究越来越多,相关研究学者已经提出了很多方法。然而,已有的方法主要存在以下几个缺点:第一,已有的很多方法中需要手工度量时间序列特征,但是手工度量对划分的标准和阈值的选择具有很强的主观依赖性;第二,由于时间序列中异常点和噪声的存在,已有方法对提取到的特征质量的好坏很难衡量;第三,已有的方法大多只考虑时间序列中的局部特征,它们无法捕捉时间序列数据中存在的长期依赖特征,并且目前没有任何一种距离度量方法适合所有的领域。本文以金融市场和海洋大数据为研究背景,以股票价格和海洋表面温度为研究对象,主要研究内容如下:第一、考虑到时间序列分类中存在的以上问题,本论文提出了一种结合长短时记忆神经网络和卷积神经网络的时间序列分类模型(LCNN),该模型主要采用多分支的网络结构,首先使用长短时记忆神经网络来处理和预测时间序列中间隔和延迟相对较长的重要事件,进而提取时间序列中的时序特征和时间序列中存在的长期依赖特征;然后利用卷积神经网络中多粒度的卷积核对时间序列进行卷积操作,更好的挖掘时间序列中的局部特征和深层特征。最后,在UCR公开数据集中的15个数据集上展开实验,将LCNN与16种已有的时间序列分类方法进行对比。第二、为了分析时间序列自身特性对结果的影响,本论文提出了一个基于R/S分析的时间序列综合分析模型(CEM),该模型主要分为三部分,时间序列中的长记忆性分析、复杂性分析和时间序列间的异步性评估。模型首先使用R/S分析方法对时间序列的长记忆性进行评估,并使用Hurst指数对时间序列中的长记忆性进行定量衡量。然后将待研究的时间序列作为一个系统,探究系统的复杂性,即时间序列的稳定性。最后研究了时间序列间的异步性。第三、将LCNN模型和CEM模型应用在股票市场和海面温度(SST)中,首先使用CEM模型研究股票收盘价和海面温度数据的长记忆性、复杂性和异步性。然后基于LCNN模型对股票涨跌趋势和海面温度数据进行预测。