基于GGInformer模型的金融数据特征提取及价格预测

为了解决金融时序预测任务中出现的特征参数冗余问题,用遗传算法对金融数据进行特征提取,通过三组对比实验进行验证分析。实验结果显示,加入了遗传算法的预测模型比未加入遗传算法的模型在三种数据集上的MSE均有所降低。最终结果证明遗传算法可以有效解决金融产品价格预测过程中的特征冗余问题。为了解决非线性的长序列金融数据预测效果差的问题,通过结合GRU网络和Informer模型构建了GGInformer模型来对金融产品价格进行预测。模型在三种外汇产品数据集上与其他四种预测基准方法进行了对比实验,实验结果与可视化分析表明,所提模型在金融产品交易价格的预测结果上有明显优势,可以提高预测的精度。

基于GGInformer模型的多维时间序列特征提取与预测研究

随着大数据与物联网技术的迅猛发展,多维时间序列数据的应用范围变得更加广泛。面对大量的非线性、高维冗余特征的复杂时间序列,传统的时间序列分析方法已经不能很好地解决多维时间序列的复杂高维特征问题,从而导致预测效果欠佳。针对以上问题,通过对遗传算法和Informer模型进行改进,并融合GRU网络,提出了GGInformer模型。该模型不仅可以有效提取多维时间序列的关键特征,而且较好地解决了长程依赖问题。为了验证模型的预测能力,选取了2种实际数据集与3种公共基准数据集进行实验,相比较Informer基准模型,GGInformer模型在5种数据集上的MSE分别降低了22%,13%,20%,23%和38%。实验结果表明,GGInformer模型可以有效解决多维时间序列数据的复杂特征提取问题,并可以进一步提高时序预测能力。

基于注意力机制的城市多元空气质量数据缺失值填充

空气污染严重影响着人类的身体健康与社会的可持续发展,但传感器获取的多元变量空气质量数据往往存在缺失值,这为数据的分析与处理带来了困扰。目前,许多对某一种空气成分变化的分析方法只依赖于此属性的时间数据与空间数据,忽略了在相同时间区间内其他空气成分对此属性变化趋势的影响,且在离散型缺失数据的填充上难以达到理想的效果。提出了一种时间注意力深度学习模型(TAM)。该模型使用注意力机制来关注不同时间戳之间的相关性与不同特征时间序列之间的相关性,并结合短期历史数据来填充多元变量空气质量数据中的缺失读数。使用北京市的空气质量数据对所提出的模型进行评估,实验结果表明,相比较于其他10种基线模型,TAM具有一定优势。