基于贝叶斯推断的层次化时间序列预测

层次化时间序列预测在当今社会起着重要的作用,但由于其本身的复杂性导致这项研究的挑战性较大。本研究聚焦于将贝叶斯推断应用于自回归移动平均(autoregressive integrated moving average,ARIMA)模型与3种池化模型(完全池化、无池化、部分池化)的组合,来优化多层次时间序列预测,并利用合成数据集验证层次结构对预测准确性的提升效果。本研究对项目相关理论知识做了介绍,分析了项目模型的实现方法。实验结果表明:部分池化模型表现最优,且短期数据集的预测效果更佳。证实了层次结构能增强预测准确性,且对短期时间序列效果尤为显著。本研究丰富了ARIMA与池化模型组合的研究,为时间序列预测提供了新视角和方法论支持。

基于自注意力机制和CNN-LSTM的空战目标机动轨迹预测

空战目标机动轨迹是有丰富时空特征的多维时间序列,具有高度复杂性和不确定性。针对现阶段轨迹预测运动学模型建立困难、时序预测的方法难以提取时空特征且只能单一的从T到T+1时刻的顺序式训练的问题,文中提出了一种自注意力机制(self-attention,ATT)和卷积神经网络(convolutional neural network,CNN)-长短期记忆网络(long short-term memory,LSTM)结合的模型(CNN-LSTM-ATT)。离线状态下训练模型,获得的最优模型可以实现目标机动轨迹的高精度预测。文中模型与CNN-LSTM、LSTM模型进行单步预测对比分析,具有良好的单步预测和不同过载机动预测的能力。考虑到电磁干扰和复杂环境导致传输数据的误差和缺失,进行了目标轨迹的5步预测,预测结果和评价指标均优于CNN-LSTM、LSTM模型。