時間序列分析是揭示自然現(xiàn)象和認識客觀世界的重要手段,近年來,時間序列預測成為了熱門的研究領域,廣泛應用于金融數(shù)據(jù)分析、空氣質量評估和交通流量預測等等各個領域。隨著科學技術水平的不斷提高,人們由單變量的時間序列分析轉為多變量的復雜時間序列分析,通過對系統(tǒng)的多個成分分析以提高預測精度,但現(xiàn)有的復雜時間序列預測方法仍存在以下幾個挑戰(zhàn):一是異常數(shù)據(jù)的干擾,大多數(shù)預測模型對異常數(shù)據(jù)的容忍度很低,而復雜時間序列的無標簽性和非平衡性使異常數(shù)據(jù)難以被檢測;二是噪聲成分的干擾,噪聲成分導致時間序列的自相似性遭到破壞,而復雜時間序列中有用成分和噪聲成分的界限模糊,降噪存在丟失有用成分的風險;三是復雜時間序列的多成分之間存在復雜的相互依賴關系,使預測變得困難。針對這些問題,本文從復雜時間序列異常檢測、噪聲去除和預測這三個方面展開研究,具體工作和研究成果如下:(1)針對挑戰(zhàn)1,本文提出了一種基于預標注和多目標生成對抗網絡的異常檢測方法。通過預標注正常數(shù)據(jù)和訓練多目標生成網絡生成異常數(shù)據(jù)解決復雜時間序列無標簽性和非平衡性的問題,最后通過生成網絡和判別網絡的對抗博弈得到異常檢測分類器。在公開數(shù)據(jù)集上證明了該異常檢測...

【文章頁數(shù)】：101 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和研究意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 復雜時間序列異常檢測研究現(xiàn)狀
        1.2.2 復雜時間序列噪聲去除研究現(xiàn)狀
        1.2.3 復雜時間序列預測研究現(xiàn)狀
    1.3 研究內容和創(chuàng)新點
        1.3.1 研究內容
        1.3.2 研究的創(chuàng)新點
    1.4 論文組織結構
    1.5 本章小結
第二章 相關理論與技術研究
    2.1 時間序列理論基礎
        2.1.1 時間序列定義
        2.1.2 時間序列類型以及特點
        2.1.3 復雜時間序列
    2.2 時間序列分解方法
        2.2.1 傅里葉變換
        2.2.2 小波變換
        2.2.3 經驗模式分解
    2.3 機器學習和深度學習方法
        2.3.1 循環(huán)神經網絡
        2.3.2 生成對抗網絡
        2.3.3 自動編碼器
        2.3.4 K-Means聚類
        2.3.5 集成學習
    2.4 本章小結
第三章 基于預標注和多目標生成對抗網絡的異常檢測
    3.1 問題分析和形式化
    3.2 算法整體框架
    3.3 基于堆疊自動編碼器和K-MEANS++聚類的偽標簽數(shù)據(jù)生成
        3.3.1 復雜時間序列維數(shù)約簡
        3.3.2 偽標簽數(shù)據(jù)生成
    3.4 基于多目標生成對抗網絡的復雜時間序列異常檢測
    3.5 實驗和分析
        3.5.1 實驗環(huán)境
        3.5.2 數(shù)據(jù)集和評估指標
        3.5.3 實驗設計
        3.5.4 對比實驗結果和分析
        3.5.5 參數(shù)調節(jié)實驗結果和分析
    3.6 本章小結
第四章 基于CEEMDAN和自適應閾值的時間序列降噪
    4.1 問題分析和形式化
    4.2 算法整體框架
    4.3 時間序列分解與區(qū)分
        4.3.1 基于CEEMDAN的時間序列分解
        4.3.2 基于排列熵的本征模函數(shù)高低頻分離
    4.4 時間序列閾值降噪
        4.4.1 自適應閾值和閾值函數(shù)降噪
        4.4.2 本征模函數(shù)重構
    4.5 實驗和分析
        4.5.1 實驗環(huán)境
        4.5.2 數(shù)據(jù)集以及評估指標
        4.5.3 實驗設計
        4.5.4 對比實驗結果以及分析
        4.5.5 參數(shù)調節(jié)實驗
    4.6 本章小結
第五章 基于注意力堆疊LSTMS的復雜時間序列集成預測
    5.1 問題分析和形式化
    5.2 算法整體框架
    5.3 復雜時間序列預處理
    5.4 基于注意力堆疊LSTMS的復雜時間序列集成預測器
        5.4.1 堆疊長短期記憶神經網絡
        5.4.2 基于注意力機制的Seq2Seq多步預測模型
        5.4.3 基于滑動窗口子序列隨機采樣的Bagging集成算法
    5.5 實驗和分析
        5.5.1 實驗環(huán)境
        5.5.2 數(shù)據(jù)集以及評估指標
        5.5.3 實驗設計
        5.5.4 預處理結果分析
        5.5.5 對比實驗分析
        5.5.6 消融實驗分析
    5.6 本章小結
總結與展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件



本文編號：4056899