期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于CEEMDAN与LSTM-Attention的股市预测模型
被引量：
7
1
作者
孙晨宇
张树东
《计算机应用与软件》
北大核心
2023年第12期119-125,146,共8页
具有时序特征的金融股票数据有非线性、非平稳和复杂动态的特点,对预测模型提出了挑战。提出一种基于自适应噪声完备集合经验模态分解的LSTM-Attention模型。通过重组后的高频、中频和低频分量,构建更为细化的LSTM-Attention模型,再通...
具有时序特征的金融股票数据有非线性、非平稳和复杂动态的特点,对预测模型提出了挑战。提出一种基于自适应噪声完备集合经验模态分解的LSTM-Attention模型。通过重组后的高频、中频和低频分量,构建更为细化的LSTM-Attention模型,再通过加总合成获得目标预测值。实验结果分析表明,该模型在平均绝对误差(MAE)、均方根误差(RMSE)、均方误差(MSE)和决定系数四个指标上均优于现有模型,有效提升了模型预测的准确率,同时减少了计算开销。
展开更多
关键词
LSTM
经验模态分解
seq2seq
模型
attention
机制
股票预测
在线阅读
下载PDF
职称材料
铁路客运需求分析与短期客流预测
被引量：
5
2
作者
肖尧
刘斌
杨浩
《科学技术与工程》
北大核心
2022年第9期3727-3734,共8页
旅客对于铁路客运的需求直接决定了铁路自身的运输生产,对历史旅客需求规律的准确分析以及对未来短期需求的准确预测对旅客运输组织的优化极为重要。为此,提出了基于Prophet模型的铁路客运量需求分析方法和基于Seq2Seq-Attention与Prop...
旅客对于铁路客运的需求直接决定了铁路自身的运输生产,对历史旅客需求规律的准确分析以及对未来短期需求的准确预测对旅客运输组织的优化极为重要。为此,提出了基于Prophet模型的铁路客运量需求分析方法和基于Seq2Seq-Attention与Prophet非线性组合模型的短期客流预测方法。前者可以从长期的历史数据中分解出普适整个数据的客流时间分布特征,从而对过去的客运需求规律做出分析;后者利用神经网络进行非线性组合,以求在不同规模的数据集上充分发挥Seq2Seq-Attention网络与Prophet模型各自的优势,做出更精准的客流需求预测。实例验证表明,使用Prophet模型将客流历史数据分解成多种时间分布类型数据后,在整个数据集上的误差仅有6.68%,同时Seq2Seq-Prophet模型在数据集上的预测效果好于组成它的单模型和其余既有方法。
展开更多
关键词
客流预测
Prophet模型
seq2seq
网络
attention
机制
在线阅读
下载PDF
职称材料
题名
基于CEEMDAN与LSTM-Attention的股市预测模型
被引量：
7
1
作者
孙晨宇
张树东
机构
首都师范大学信息工程学院
出处
《计算机应用与软件》
北大核心
2023年第12期119-125,146,共8页
文摘
具有时序特征的金融股票数据有非线性、非平稳和复杂动态的特点,对预测模型提出了挑战。提出一种基于自适应噪声完备集合经验模态分解的LSTM-Attention模型。通过重组后的高频、中频和低频分量,构建更为细化的LSTM-Attention模型,再通过加总合成获得目标预测值。实验结果分析表明,该模型在平均绝对误差(MAE)、均方根误差(RMSE)、均方误差(MSE)和决定系数四个指标上均优于现有模型,有效提升了模型预测的准确率,同时减少了计算开销。
关键词
LSTM
经验模态分解
seq2seq
模型
attention
机制
股票预测
Keywords
LSTM
Empirical mode decomposition
seq2seq
model
attention
mechanism
Stock prediction
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
铁路客运需求分析与短期客流预测
被引量：
5
2
作者
肖尧
刘斌
杨浩
机构
兰州交通大学交通运输学院
中铁第一勘察设计院集团有限公司
出处
《科学技术与工程》
北大核心
2022年第9期3727-3734,共8页
基金
国家自然科学基金(71761023)
甘肃省教育厅“双一流”科研重点项目(GSSYLXM-04)。
文摘
旅客对于铁路客运的需求直接决定了铁路自身的运输生产,对历史旅客需求规律的准确分析以及对未来短期需求的准确预测对旅客运输组织的优化极为重要。为此,提出了基于Prophet模型的铁路客运量需求分析方法和基于Seq2Seq-Attention与Prophet非线性组合模型的短期客流预测方法。前者可以从长期的历史数据中分解出普适整个数据的客流时间分布特征,从而对过去的客运需求规律做出分析;后者利用神经网络进行非线性组合,以求在不同规模的数据集上充分发挥Seq2Seq-Attention网络与Prophet模型各自的优势,做出更精准的客流需求预测。实例验证表明,使用Prophet模型将客流历史数据分解成多种时间分布类型数据后,在整个数据集上的误差仅有6.68%,同时Seq2Seq-Prophet模型在数据集上的预测效果好于组成它的单模型和其余既有方法。
关键词
客流预测
Prophet模型
seq2seq
网络
attention
机制
Keywords
passenger flow forecast
Prophet model
seq2seq
network
attention
mechanism
分类号
U293.13 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于CEEMDAN与LSTM-Attention的股市预测模型
孙晨宇
张树东
《计算机应用与软件》
北大核心
2023
7
在线阅读
下载PDF
职称材料
2
铁路客运需求分析与短期客流预测
肖尧
刘斌
杨浩
《科学技术与工程》
北大核心
2022
5
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
