典型文献
基于TRMF-LSTM组合模型的多维时间序列预测
文献摘要：
近年来,长短时记忆网络(LSTM)在处理时间序列的非线性部分有着巨大优势,但单一预测模型无法同时兼顾数据的线性与非线性特性.针对此问题,引入时序矩阵分解技术TRMF处理多元时间序列的线性主体部分,计算得到训练数据的残差后,输入LSTM模型进行非线性拟合,再将测试数据代入到训练好的TRMF-LSTM模型,将模型预测的线性主体与残差相加,得到组合预测值.选取沪深300、上证指数两支股指以及三一重工、中国人寿、农业银行、牧原股份、美的集团、隆基股份6支个股共8支股票的股价时间序列进行预测,以LSTM、Transformer、SVR作为对比模型,并选取MAPE与RMSE两项评价指标.实验结果表明,相较于对比模型,MAPE和RMSE的最小值均落在TRMF-LSTM组合预测模型中,充分验证了模型的有效性.
文献关键词：
多维时间序列;时序矩阵分解;LSTM;组合预测
中图分类号：
作者姓名：
曹超凡;李路
作者机构：
上海工程技术大学数理与统计学院,上海201620
文献出处：
引用格式：
[1]曹超凡;李路-.基于TRMF-LSTM组合模型的多维时间序列预测)[J].软件导刊,2022(09):45-51
A类：
TRMF,时序矩阵分解
B类：
组合模型,多维时间序列,时间序列预测,长短时记忆网络,处理时间,非线性特性,分解技术,多元时间序列,训练数据,非线性拟合,测试数据,代入,练好,相加,上证指数,两支,股指,三一重工,人寿,农业银行,美的集团,隆基股份,个股,股票,股价,Transformer,SVR,对比模型,MAPE,RMSE,最小值,组合预测模型
AB值：
0.354005
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。
