時間序列分析是揭示自然現(xiàn)象和認(rèn)識客觀世界的重要手段,近年來,時間序列預(yù)測成為了熱門的研究領(lǐng)域,廣泛應(yīng)用于金融數(shù)據(jù)分析、空氣質(zhì)量評估和交通流量預(yù)測等等各個領(lǐng)域。隨著科學(xué)技術(shù)水平的不斷提高,人們由單變量的時間序列分析轉(zhuǎn)為多變量的復(fù)雜時間序列分析,通過對系統(tǒng)的多個成分分析以提高預(yù)測精度,但現(xiàn)有的復(fù)雜時間序列預(yù)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(yù)測模型對異常數(shù)據(jù)的容忍度很低,而復(fù)雜時間序列的無標(biāo)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(dǎo)致時間序列的自相似性遭到破壞,而復(fù)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(fēng)險;三是復(fù)雜時間序列的多成分之間存在復(fù)雜的相互依賴關(guān)系,使預(yù)測變得困難。針對這些問題,本文從復(fù)雜時間序列異常檢測、噪聲去除和預(yù)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(yù)標(biāo)注和多目標(biāo)生成對抗網(wǎng)絡(luò)的異常檢測方法。通過預(yù)標(biāo)注正常數(shù)據(jù)和訓(xùn)練多目標(biāo)生成網(wǎng)絡(luò)生成異常數(shù)據(jù)解決復(fù)雜時間序列無標(biāo)簽性和非平衡性的問題,最后通過生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)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(xué)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(nèi)外研究現(xiàn)狀
        1.2.1 復(fù)雜時間序列異常檢測研究現(xiàn)狀
        1.2.2 復(fù)雜時間序列噪聲去除研究現(xiàn)狀
        1.2.3 復(fù)雜時間序列預(yù)測研究現(xiàn)狀
    1.3 研究內(nèi)容和創(chuàng)新點
        1.3.1 研究內(nèi)容
        1.3.2 研究的創(chuàng)新點
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 相關(guān)理論與技術(shù)研究
    2.1 時間序列理論基礎(chǔ)
        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(fù)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(jīng)驗?zāi)Ｊ椒纸?br>    2.3 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法
        2.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.2 生成對抗網(wǎng)絡(luò)
        2.3.3 自動編碼器
        2.3.4 K-Means聚類
        2.3.5 集成學(xué)習(xí)
    2.4 本章小結(jié)
第三章 基于預(yù)標(biāo)注和多目標(biāo)生成對抗網(wǎng)絡(luò)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(biāo)簽數(shù)據(jù)生成
        3.3.1 復(fù)雜時間序列維數(shù)約簡
        3.3.2 偽標(biāo)簽數(shù)據(jù)生成
    3.4 基于多目標(biāo)生成對抗網(wǎng)絡(luò)的復(fù)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(biāo)
        3.5.3 實驗設(shè)計
        3.5.4 對比實驗結(jié)果和分析
        3.5.5 參數(shù)調(diào)節(jié)實驗結(jié)果和分析
    3.6 本章小結(jié)
第四章 基于CEEMDAN和自適應(yīng)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(yīng)閾值和閾值函數(shù)降噪
        4.4.2 本征模函數(shù)重構(gòu)
    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(biāo)
        4.5.3 實驗設(shè)計
        4.5.4 對比實驗結(jié)果以及分析
        4.5.5 參數(shù)調(diào)節(jié)實驗
    4.6 本章小結(jié)
第五章 基于注意力堆疊LSTMS的復(fù)雜時間序列集成預(yù)測
    5.1 問題分析和形式化
    5.2 算法整體框架
    5.3 復(fù)雜時間序列預(yù)處理
    5.4 基于注意力堆疊LSTMS的復(fù)雜時間序列集成預(yù)測器
        5.4.1 堆疊長短期記憶神經(jīng)網(wǎng)絡(luò)
        5.4.2 基于注意力機(jī)制的Seq2Seq多步預(yù)測模型
        5.4.3 基于滑動窗口子序列隨機(jī)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(biāo)
        5.5.3 實驗設(shè)計
        5.5.4 預(yù)處理結(jié)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(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號：4056899