一种结合移动前沿、数据分解与深度学习预测复杂时间序列的新方法

Debdarsan Niyogi

一种结合移动前沿、数据分解与深度学习预测复杂时间序列的新方法

机器学习 2023-03-14 v1 人工智能

作者: Debdarsan Niyogi

摘要

高变异性的单变量时间序列即使对深度神经网络(DNN)也构成挑战。为克服此问题,将单变量时间序列分解为若干更简单的组成序列,其总和等于原始序列。如本文所示,传统的一次性分解技术存在来自未来的信息泄漏,即所谓数据泄漏。本工作提出一种新颖的移动前沿(MF)方法以防止数据泄漏,使分解后的序列可像其他时间序列一样处理。印度夏季风降雨(ISMR)是非常复杂的时间序列,对DNN构成挑战,因此被选作示例。在众多可用的信号处理工具中,选择经验小波变换(EWT)将ISMR分解为更简单的组成序列,因其被发现比另一流行算法完全集合经验模态分解与自适应噪声(CEEMDAN)更有效。所提出的MF方法用于生成无泄漏的组成时间序列。预测与预报由最先进的长短期记忆(LSTM)网络架构完成,其特别适用于序列模式的预测。组成MF序列被划分为训练、测试与预报部分。研究发现,此处开发的模型(EWT-MF-LSTM)在训练与测试预测以及行走前向验证(WFV)预报中表现极佳,性能参数( $PP$ )值分别为0.99、0.86和0.95,其中 $PP$ =1.0表示对数据的完美复现。

关键词

时间序列预测移动前沿数据分解经验小波变换长短期记忆数据泄漏印度夏季风降雨

引用

@article{arxiv.2303.06394,
  title  = {A Novel Method Combines Moving Fronts, Data Decomposition and Deep Learning to Forecast Intricate Time Series},
  author = {Debdarsan Niyogi},
  journal= {arXiv preprint arXiv:2303.06394},
  year   = {2023}
}

一种结合移动前沿、数据分解与深度学习预测复杂时间序列的新方法

摘要

关键词

引用

相关论文