结合长短时记忆网络和宽度学习的股票预测新模型研究

长短时记忆网络(LSTM)近年来广泛应用于股票预测中,其结构特点易陷入局部最优,从而影响预测精度。借鉴宽度学习系统(BLS)在时间序列预测上良好的逼近能力,本文尝试宽度学习与深度学习相结合。进一步地,针对股票序列不平稳特点,引入互补集成经验模态分解(CEEMD)进行降噪处理,提出CEEMD-LSTM-BLS(C-L-B)股票预测模型。选取农林牧渔行业股票价格,对新提出的模型进行实证研究。通过与基线模型、现有股票预测模型对比,证明了新模型在多个精度指标上都有明显提升。特别地,通过分别将C-L-B模型与不融入BLS的CEEMD-LSTM模型,对CEEMD分解后的分量预测结果进行对比发现:LSTM模型预测存在一定的误差,且越是拐点处,越是高频波动,预测误差越明显。而C-L-B模型中的BLS模块能够解决这类问题。当数据出现较大波动时,本文提出的新模型与现有模型相比,可以很好的解决拟合差、时滞等问题。

改进的LSTM模型在月降水量预测中的应用

月降水量变化呈现显著的非线性特征,对其进行精准预测难度很大。近年来,长短时记忆网络(LSTM)在降水量预测中优势明显。然而,LSTM的深层结构造成了其存在过拟合、时滞等缺点,从而影响预测精度。借助平行学习结构-宽度学习系统(BLS)直接计算权重的特点,提出改进的LSTM-BLS降水量预测模型。选取湖北省五个具有不同气候特征的代表性测站点进行实证研究。结果表明,与基线模型和已有的预测模型相比,现有模型在所有评价指标上均预测精度最高。特别地,由于BLS模块加入解决了LSTM的时滞性问题,新模型在强降水和干旱月份预测精度提升明显。不同时间步长下,新模型预测精度亦表现最佳,证明了其稳定性。在运算效率上,LSTM-BLS和LSTM相比,并未降低。

一种基于深度学习的海表温度混合预测方法

海表温度(SST)是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法(VMD)预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络(CNN)与长短时记忆网络(LSTM)结合,同时提取SST序列的空间与时间特征,以提高预测精度。最后,本文提出了一种基于深度学习并融合了去噪模块的SST预测模型,选取我国东海海域的SST进行实证研究。通过与基线模型、现有模型的对比,证明了本文模型不但在SST的预测精度方面提升明显,而且具有较好的鲁棒性。