?
????????歡迎來到本博客????????
??博主優(yōu)勢：??????博客內(nèi)容盡量做到思維縝密，邏輯清晰，為了方便讀者。
??座右銘：行百里者，半于九十。
??????本文目錄如下：??????
目錄
??1 概述
1.1?ARIMA模型
1.2?LSTM 模型
??2 運(yùn)行結(jié)果
??3?參考文獻(xiàn)
??4 Python代碼實(shí)現(xiàn)
??1 概述
1.1?ARIMA模型
差分自回歸移動平均模型( ARIMA)元一PE用于各領(lǐng)域的預(yù)測模型 17-19],主要包含自回歸模型和
移動平均模型2個部分。自回歸模型的階數(shù)為p,信號差分的階數(shù)為d ,移動平均模型的階數(shù)為q,因此模型通常表示成ARIMA( p,d ,q) ,具體的數(shù)學(xué)表達(dá)式為:
( 1）對所研究的時間序列數(shù)據(jù)進(jìn)行平穩(wěn)性驗證,如果不滿足要求,則對其進(jìn)行d階差分轉(zhuǎn)換成平穩(wěn)時間序列。
(2）通過自相關(guān)系數(shù)圖和偏自相關(guān)系數(shù)圖以及貝葉斯信息準(zhǔn)則[201確定階數(shù)p和q。
(3)采用確定好階數(shù)的ARIMA( p , d , q）擬合時間序列,并根據(jù)預(yù)測后的數(shù)據(jù)和原時間序列進(jìn)行結(jié)果統(tǒng)計和預(yù)測精度分析。
1.2?LSTM 模型
LSTM 深度學(xué)習(xí)算法與遞歸神經(jīng)網(wǎng)絡(luò)( Recurrent Neural Network ，RNN)的不同之處在于前者在后者的基礎(chǔ)上加入了細(xì)胞狀態(tài)和門結(jié)兩個結(jié)構(gòu)[ 16-17]以此來預(yù)測太陽能輻照強(qiáng)度,通過對比可發(fā)現(xiàn)LSTM模型的表現(xiàn)比時間遞歸型神經(jīng)網(wǎng)絡(luò)和隱馬爾科夫模型的表現(xiàn)更好。
?
傳統(tǒng)的RNN在解決時序長相關(guān)問題時存在梯度消失和梯度爆炸的問題,而細(xì)胞狀態(tài)的作用是將具體信息連續(xù)地傳遞到RNN上,因此能夠有效解決傳統(tǒng)RNN存在的問題。ISTM是基于門控制單元結(jié)構(gòu)的深度學(xué)習(xí)模型,通過遺忘門、輸入門和輸出門這三種門類型控制傳輸信息[18]。LSTM神經(jīng)網(wǎng)絡(luò)如圖1所示,方框內(nèi)是單個神經(jīng)元細(xì)胞結(jié)構(gòu), c表示神經(jīng)元細(xì)胞的狀態(tài)值, h表示神經(jīng)元細(xì)胞的輸出值。LSTM 神經(jīng)網(wǎng)絡(luò)細(xì)胞的結(jié)構(gòu)如圖2所示。
??2 運(yùn)行結(jié)果
?
??3?參考文獻(xiàn)
部分理論來源于網(wǎng)絡(luò)，如有侵權(quán)請聯(lián)系刪除。
[1]沈露露,梁嘉樂,周雯.基于ARIMA-LSTM的能量預(yù)測算法[J].無線電通信技術(shù),2023,49(01):150-156.
[2]岑威鈞,王肖鑫,蔣明歡.基于EEMD-LSTM-ARIMA的土石壩滲壓預(yù)測模型研究[J].水資源與水工程學(xué)報,2023,34(02):180-185.文章來源：http://www.zghlxwxcb.cn/news/detail-498915.html
[3]王鑫,李安桂,李揚(yáng),卜令晨,彭懷午,牛東圣,許晨琛,韓歐.基于ARIMA-LSTM模型的綜合能源系統(tǒng)負(fù)荷與風(fēng)光資源預(yù)測[J].西安建筑科技大學(xué)學(xué)報(自然科學(xué)版),2022,54(05):762-769.DOI:10.15986/j.1006-7930.2022.05.015.文章來源地址http://www.zghlxwxcb.cn/news/detail-498915.html
??4 Python代碼實(shí)現(xiàn)
到了這里，關(guān)于【ARIMA-LSTM】合差分自回歸移動平均方法-長短期記憶神經(jīng)網(wǎng)絡(luò)研究（Python代碼實(shí)現(xiàn)）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
