基于时域卷积与双向GRU神经网络的时序预测模型.docxVIP

基于时域卷积与双向GRU神经网络的时序预测模型 　　摘要：随着物联网技术和5g技术的发展，各类智能设备收集的时序数据规模急剧增长，为了利用深度学习技术对大规模时序数据进行预测，提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理，然后利用双向gru神经网络层提取时序数据的前向特征和后向特征，最后对时序数据进行预测。在真实数据集上的实验结果表明，该模型相比传统长短期记忆网络模型，预测准确度提高了近70%，预测速度提高了近10%，可更好地满足对大规模时序数据的预测需求。 　　关键词：深度学习;时序预测;双向gru神经网络;卷积神经网络;循环神经网络 　　doi：10.11907/rjdk.192539 　　中图分类号：tp306文献标识码：a文章编号：1672-7800（2020）003-0048-05 　　timeseriespredictionmodelbasedontimedomainconvolutionand 　　bidirectionalgruneuralnetwork 　　wangzhen，zhangsheng 　　（schoolofoptical-electricalandcomputerengineering，universityofshanghaiforscienceandtechnology，shanghai200093，china） 　　abstract：withthedevelopmentofinternetofthingsand5gtechnology，thescaleoftimeseriesdatacollectedbyvariouskindsofintelligentdeviceshasincreaseddramatically.inordertousedeeplearningtechnologytopredictlarge-scaletimeseriesdata，thispaperproposesatimeseriespredictionmodelbasedondeepneuralnetwork.thismodelfirstlypreprocessesthetimeseriesdatawiththetime-domainconvolutionalneuralnetworklayer，thenextractstheforwardandbackwardcharacteristicsofthetimeseriesdatawiththebidirectionalgatedrecurrentunit（gru）neuralnetworklayer，andfinallypredictsthetimeseriesdata.theexperimentalresultsonrealdatasetsshowthatthemodelproposedinthispapercanbettermeetthepredictionrequirementsoflarge-scaletimeseriesdatabyimprovingthepredictionaccuracynearly70%andthepredictionspeednearly10%comparedwiththetraditionallstmnetworkmodel. 　　keywords：deeplearning;timeseriesprediction;bidirectionalgruneuralnetwork;cnn;rnn 　　0引言 　　序列數据通常包括文本数据和时序数据，其中时序数据反映数据在时间维度上的变化规律，其是按时间顺序存储的一连串随时间推移测量相同事物的数据点[1-2]。时序数据在现实生活中分布广泛，如智能家居系统在持续监控房屋内变化时收集的温度和湿度数据、自动驾驶汽车持续收集的环境变化数据等。时序预测即使用特定的时序预测模型对历史数据进行拟合，分析时序数据发展规律，最终对未知数据作出预测[2]。现有时序预测方法主要分为统计学习方法和深度学习方法，其中统计学习方法适用于线性时序数据预测，深度学习方法适用于复杂非线性的大规模时序数据预测[3]。 　　目前时序预测领域常见的深度学习模型为门控循环单元网络模型（gatedrecurrentunit，gru）[9]，该模型通过隐层状态机制实现对时序数据历史信息的利用，通过门控机制实现对隐层状态的更新，该模型可较好地实现对中等规模时序数据的预测分析。但由于模型结构较为复杂，对大规模数据进行预测时运算速度较慢，且在数据规模较大时，隐层状态机制对较早的信息无法进行有效利