基于深度学习的时间序列信号模型研究

时间序列信号分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。存款的利率、股票的价格、债券的收益等都可以看作时间序列信号,即在一系列时刻得到的离散数字组成的序列集合。时间序列信号具有时域内相关性强、维度高、噪声强等特点。近年来,深度神经网络在各个领域得到了广泛应用,如何利用现有的无监督学习、传统的机器学习方法以及深度神经网络方法,设计出更实际有效的预测模型,具有十分重要的理论和实际意义。本文引入卷积神经网络、深度置信网络、贝叶斯深度学习网络、对抗自编码器生成网络,描述对沪深指数数据进行分析的基本流程,并期望对其短期趋势做出预测,希望能对推动基于深度学习的时间序列信号分析理论和应用研究的发展做出一定的贡献。