排序方式: 共有2条查询结果,搜索用时 62 毫秒
1
1.
2.
时间序列分析的主要目的是根据已有的历史数据对未来进行预测。传统的时间序列预测主要依靠基于模型的方法,比如季节性差分整合移动平均自回归模型(SARIMA)和指数平滑法(EXP)等。此类方法的参数选择严重依赖于专家经验,适用性并不广泛。针对周期性遥测参数,采用长短期记忆网络(LSTM),学习长时序依赖关系并给出多步预测值。试验通过将预测问题转化为监督学习问题建立半实时仿真环境,并重点研究了观测窗口、预测窗口、网络结构等对性能指标的影响。对比LSTM、SARIMA、EXP,结果表明LSTM具备优异的线性拟合能力和良好的非线性关系映射能力。LSTM预测方法摆脱了传统方法受制于专家经验和模型精度低等问题,为开展实时遥测参数预测奠定了基础。 相似文献
1