文献类型：期刊文章

作　　者：黄伟建[1] 李永涛[1] 黄远[1]

Huang Wei-Jian;Li Yong-Tao;Huang Yuan(School of Information&Electrical,Hebei University of Engineering,Handan 056038,China)

机构地区：[1]河北工程大学信息与电气工程学院,邯郸056038

出　　处：《物理学报》

基　　金：河北省自然科学基金(批准号:F2015402077);河北省高等学校科学技术研究项目(批准号:QN2018073)资助的课题.

年　　份：2021

卷　　号：70

期　　号：1

起止页码：229-237

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.

关 键 词：混沌时间序列 卷积神经网络 长短期记忆网络  注意力机制  

分 类 号：O211.61] TP183[数学类]