典型文献
基于混合分布时间序列的K-GRU建模
文献摘要:
混合分布的时间序列数据具有非平稳性、周期性等复杂的特性,且蕴含着未来的变化趋势,其复杂性对该类数据的预测精度造成了很大的影响.为了有效降低该类数据的预测误差,提出了一种K-均值与GRU神经网络相结合的混合模型——K-GRU混合模型,具有较高的预测精度.仿真实验表明,样本量为5000左右,K分别取2、3、4、5时,该模型均比GRU神经网络的预测效果好.模拟结果也与多项式模型、傅里叶序列和LSTM进行了比较,结果表明K-GRU混合模型的预测效果最好.最后将K-GRU混合模型应用于街边停车占用率数据中,进一步验证了该方法的有效性.
文献关键词:
混合分布时间序列;K-GRU;GRU神经网络;聚类算法
中图分类号:
作者姓名:
吴维芝;施三支
作者机构:
长春理工大学 数学与统计学院,长春 130022
文献出处:
引用格式:
[1]吴维芝;施三支-.基于混合分布时间序列的K-GRU建模)[J].长春理工大学学报(自然科学版),2022(01):122-128
A类:
混合分布时间序列
B类:
GRU,时间序列数据,非平稳性,预测误差,混合模型,样本量,多项式模型,叶序,模型应用,街边,停车,占用率,聚类算法
AB值:
0.227461
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。