Jun, 2024

基于空间平滑和序列一般变分模式分解的 LSTM 时间序列预测组合模型

PDF
TL;DR基于顺序广义变分模态解耦和空间平滑长短期记忆神经网络的市场销售量时间序列预测方法能够提高市场销售量的预测准确性和对特定市场情境的准确性。
time series predictionmarket sales volumesequential general vmdspatial smoothinglong short-term memory neural network
发现论文，激发创造
  • 基于顺序一般变分模式分解方法的时间序列预测组合模型

    金融时间序列的准确预测对市场经济参与者和投资者至关重要。本文选择在线商店销售和澳大利亚啤酒销售作为非平稳、趋势和季节性金融时间序列的代表，并以非线性组合方式构建了一个新的 SGVMD-ARIMA 组合模型来预测金融时间序列。ARIMA 模型、LSTM 模型和其他经典分解预测模型作为对照模型，比较不同模型的准确性。实证结果表明，构建的组合预测模型相对于单一预测模型和线性组合预测模型具有普适优势。在预测区间内，我们提出的组合模型相对于传统分解预测对照模型具有改进优势。

    Jun, 2024

  • 使用 VMD-GARCH-LSTM 模型进行时间序列预测的非线性方法

    利用 VMD-LSTM-GARCH 模型，将时间序列分解为子模式，并从这些子模式中提取波动率信息，然后利用长期短期记忆网络对每个子模式进行预测，最后将所有子模式的预测结果进行聚合，通过集成计量经济学和人工智能方法，考虑时间序列的数字和波动率信息，该模型在时间序列预测中具有优越的性能。

    Oct, 2023

  • 基于长短期记忆神经网络的电子商务销售需求预测方法

    通过对电子商务中产品资料层次结构的非线性关系进行全球训练，将跨系列信息融入到 LSTM 模型中，从而实现产生准确可靠的销售预测的目标。同时，提出了系统性的预处理框架和产品分组策略，以克服电子商务中的挑战。

    Jan, 2019

  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 股市价格预测：基于混合 LSTM 和连续自注意力的方法

    提出了一种名为 LSTM-SSAM 的新模型，通过对历史价格趋势和季节性的分析，实现了对股票价格的未来预测，并通过实验证明了该模型的有效性和可行性。

    Aug, 2023

  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 需求预测的多模态神经网络

    通过整合新闻详情中真实生活事件、历史销售数据、节假日信息以及 Google Trends 产品趋势数据，提出了一种多模式销售预测网络，该网络在超市实际数据集中比现有的销售预测技术具有统计显著性的改进，平均 SMAPE 误差率提高了 7.37％。

    Oct, 2022

  • 利用长短期记忆预测道路交通速度中的动态时空语境

    本研究提出一种动态局部化长短期记忆（LSTM）模型，通过使用局部动态空间权重矩阵和其动态变化，考虑时间和空间上的复杂动态相互作用，对道路之间的时空关系进行建模，能够处理具有长时序依赖和复杂非线性特征的序列数据，并在实验证明了该模型相比基线方法具有更好的预测性能。

    Dec, 2021

  • LSTM-MSNet: 利用多个季节性模式的相关时间序列集进行预测

    本研究提出了一种基于分解的统一预测框架 ——LSTM-MSNet，用于预测具有多个季节性模式的时间序列数据。通过结合一系列最先进的多季节性分解技术，我们在来自不同数据源的数据集上进行了实验并展示了 LSTM-MSNet 的优势，同时也发现在单一应用程序的均质系列数据中，外生季节变量或没有季节性预处理是更好的选择。

    Sep, 2019

  • 卷积张量列车长短时记忆网络用于时空学习

    本文提出了一种高阶卷积 LSTM 模型和一种新的张量列车模块，可以有效地学习视频序列中的长期时空相关性，并通过结合时间上的卷积特征进行预测，通过张量列车分解降低了模型复杂度，取得了广泛应用和数据集上的最佳表现。

    Feb, 2020