典型文献
基于多模态信息融合的时间序列预测模型
文献摘要：
针对传统单因子模型无法充分利用时间序列相关信息,以及这些模型对时间序列预测准确性和可靠性较差的问题,提出一种基于多模态信息融合的时间序列预测模型——Skip-Fusion对多模态数据中的文本数据和数值数据进行融合.首先利用BERT(Bidirectional Encoder Representations from Transformers)预训练模型和独热编码对不同类别的文本数据进行编码表示;再使用基于全局注意力机制的预训练模型获得多文本特征融合的单一向量表示;然后将得到的单一向量表示与数值数据按时间顺序对齐;最后通过时间卷积网络(TCN)模型实现文本和数值特征的融合,并通过跳跃连接完成多模态数据的浅层和深层特征的再次融合.在股票价格序列的数据集上进行实验,Skip-Fusion模型的均方根误差(RMSE)和日收益(R)分别为0.492和0.930,均优于现有的单模态模型和多模态融合模型的结果,同时在可决系数(R-Squared)上取得了0.955的拟合优度.实验结果表明,Skip-Fusion模型能够有效进行多模态信息融合并具有较高的预测准确性和可靠性.
文献关键词：
全局注意力机制;跳跃连接;多模态融合;时间序列预测;股票价格预测
中图分类号：
作者姓名：
吴明晖;张广洁;金苍宏
作者机构：
浙大城市学院计算机与计算科学学院,杭州310015;浙江大学计算机科学与技术学院,杭州310027
文献出处：
引用格式：
[1]吴明晖;张广洁;金苍宏-.基于多模态信息融合的时间序列预测模型)[J].计算机应用,2022(08):2326-2332
A类：
B类：
多模态信息融合,时间序列预测模型,单因子,因子模型,序列相关,预测准确性,Skip,Fusion,多模态数据,文本数据,数值数据,BERT,Bidirectional,Encoder,Representations,from,Transformers,预训练模型,独热编码,编码表示,全局注意力机制,多文本,文本特征,特征融合,一向,向量表示,按时,对齐,通过时间,时间卷积网络,TCN,模型实现,数值特征,跳跃连接,接完,深层特征,RMSE,单模,多模态融合,融合模型,可决系数,Squared,拟合优度,股票价格预测
AB值：
0.341432
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。
