期刊文章详细信息
文献类型:期刊文章
LI Mei;NING Dejun;GUO Jiacheng(Shanghai Advanced Research Institute,Chinese Academy of Sciences,Shanghai 200120,China;University of Chinese Academy of Sciences,Beijing 100049,China)
机构地区:[1]中国科学院上海高等研究院,上海200120 [2]中国科学院大学,北京100049
基 金:中国科学院战略性先导科技专项(No.XDA06010800)
年 份:2019
卷 号:55
期 号:13
起止页码:20-27
语 种:中文
收录情况:AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊
摘 要:时序数据存在时序性,并且其短序列的特征存在重要程度差异性。针对时序数据特征,提出一种基于注意力机制的卷积神经网络(CNN)联合长短期记忆网络(LSTM)的神经网络预测模型,融合粗细粒度特征实现准确的时间序列预测。该模型由两部分构成:基于注意力机制的CNN,在标准CNN网络上增加注意力分支,以抽取重要细粒度特征;后端为LSTM,由细粒度特征抽取潜藏时序规律的粗粒度特征。在真实的热电联产供热数据上的实验表明,该模型比差分整合移动平均自回归、支持向量回归、CNN以及LSTM模型的预测效果更好,对比目前企业将预定量作为预测量的方法,预测缩放误差平均值(MASE)与均方根误差(RMSE)指标分别提升了89.64%和61.73%。
关 键 词:注意力机制 卷积神经网络(CNN) 长短期记忆网络(LSTM) 时间序列 负荷预测
分 类 号:TP391] TK01[计算机类]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...