多模型融合的时间序列数据预测方法

摘要

针对长短期记忆(Long Short-Term Memory, LSTM)神经网络预测滞后性和过度依赖数据的问题，提出一种多模型融合的时间序列数据预测方法。该方法在融合经验模态分解和自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)基础上，先对数据进行经验模态分解，然后针对分解数据的线性分量和非线性分量分别采用ARIMA模型和引入注意力机制的LSTM模型进行处理，最后合成预测结果。实验结果表明，该方法的预测精度达到98.95%,与单一模型对比，融合模型具有更高的预测精度。

关键词

经验模态分解 / 自回归移动平均 / 长短期记忆神经网络 / 注意力机制 / 时间序列数据预测

基金资助

中国高校产学研创新基金项目(2021FNA04016); 天津市教委科研计划项目(2020KJ113); 天津市哲学社会科学规划研究项目(TJYJ20-019); 天津职业技术师范大学科研启动项目(KYQD202002)