为了提高短期电价预测的精度,提出了1种基于二次分解特征矩阵、并行卷积神经网络(Parallel convolutional neural network,PCNN)、双向长短期记忆神经网络(Bi-directional long short term memory,BiLSTM)的预测方法。采用完全集合经验...为了提高短期电价预测的精度,提出了1种基于二次分解特征矩阵、并行卷积神经网络(Parallel convolutional neural network,PCNN)、双向长短期记忆神经网络(Bi-directional long short term memory,BiLSTM)的预测方法。采用完全集合经验模态分解将归一化后的原始电价/负荷数据分解为一系列分量,用变分模态分解将第1次分解产生的最高频分量进一步分解成一系列模态分量;用第1次和第2次分解产生的所有分量构造2通道输入特征矩阵;利用PCNN提取各种特征,再将特征融合后输入到BiLSTM预测结构中,最终得出翌日预测值。预测结果表明,所提出的预测方法有效提高了短期电价的预测精度。展开更多
现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性,导致预测精度不高。针对此问题,提出一种基于二次分解与长短期记忆(long short term memory,LSTM)网络的金融时间序列预测算法。使用变分模态分解方法与集...现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性,导致预测精度不高。针对此问题,提出一种基于二次分解与长短期记忆(long short term memory,LSTM)网络的金融时间序列预测算法。使用变分模态分解方法与集成经验模态分解方法依次解析金融时间序列数据,得到能表达数据混沌性特征的模态;将模态信息输入到融合有因子分解机(factorization machine,FM)的长短期记忆网络模型中,融合获取到的长记忆性特征与交互性特征,进而预测最终的结果;选取沪深300指数的历史数据作为实验数据集,通过多组对比实验验证算法的有效性。实验结果表明,提出的算法可以有效提升模型的预测能力,同时表达金融时间序列的混沌性、长记忆性、交互性。展开更多
文摘为了提高短期电价预测的精度,提出了1种基于二次分解特征矩阵、并行卷积神经网络(Parallel convolutional neural network,PCNN)、双向长短期记忆神经网络(Bi-directional long short term memory,BiLSTM)的预测方法。采用完全集合经验模态分解将归一化后的原始电价/负荷数据分解为一系列分量,用变分模态分解将第1次分解产生的最高频分量进一步分解成一系列模态分量;用第1次和第2次分解产生的所有分量构造2通道输入特征矩阵;利用PCNN提取各种特征,再将特征融合后输入到BiLSTM预测结构中,最终得出翌日预测值。预测结果表明,所提出的预测方法有效提高了短期电价的预测精度。
文摘现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性,导致预测精度不高。针对此问题,提出一种基于二次分解与长短期记忆(long short term memory,LSTM)网络的金融时间序列预测算法。使用变分模态分解方法与集成经验模态分解方法依次解析金融时间序列数据,得到能表达数据混沌性特征的模态;将模态信息输入到融合有因子分解机(factorization machine,FM)的长短期记忆网络模型中,融合获取到的长记忆性特征与交互性特征,进而预测最终的结果;选取沪深300指数的历史数据作为实验数据集,通过多组对比实验验证算法的有效性。实验结果表明,提出的算法可以有效提升模型的预测能力,同时表达金融时间序列的混沌性、长记忆性、交互性。