基于深度置信网络的时间序列预测

• Published in: 深圳大学学报（理工版） Vol. 36; no. 6; pp. 718 - 724
• Main Authors: 杨珺, 佘佳丽, 刘艳珍
• Format: Journal Article
• Language: Chinese
• Published: 江西农业大学软件学院,江西南昌,330045%南昌工学院电气与信息工程学院,江西南昌,330099 30.11.2019
• Subjects: 时间序列预测; 计算机神经网络; 深度神经网络; 农机总动力; 深度置信网络; 预测模型; 股票预测
• ISSN: 1000-2618
• DOI: 10.3724/SP.J.1249.2019.06718

TP391; 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,提取同花顺软件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.