基于深度置信网络的时间序列预测

作者：杨珺; 佘佳丽; 刘艳珍计算机神经网络时间序列预测深度神经网络深度置信网络农机总动力预测模型股票预测

摘要：针对传统计算机神经网络存在梯度弥散、局部最小值、非线性时间序列长期预测性能不佳和高维序列数据复杂度高等问题,提出时序深度置信网络模型(timing deep belief network model,T-DBN).该模型预训练阶段采用改进的贪婪预训练算法,在预训练过程中使用梯度修正并行回火(gradient fixing parallel tempering,GFPT)算法,采用重构误差确定网络深度,在反向调整阶段采用拟牛顿法(BFGS算法),以获得更加准确的预测精度.结合相空间重构理论和BP(back propagation)神经网络,对中国江西省2016—2020年农业机械总动力进行了预测.针对高非线性的股票数据,提取软件1990-12-20—2018-03-30时间段内的上证指数特征信息,分别采用T-DBN、DBN和长短期记忆(long short-term memory,LSTM)模型进行股票预测,预测准确率分别为79.3%、77.9%和74.6%,T-DBN模型的预测准确率高于DBN和LSTM模型.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社