文献类型：期刊文章

作　　者：李梅[1,2] 宁德军[1] 郭佳程[1,2]

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

出　　处：《计算机工程与应用》

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]