基于长短时记忆和动态贝叶斯网络的序列预测

作者:司阳;肖秦琨 刊名:计算机技术与发展 上传者:孟祥飞

【摘要】伴随着计算机视觉技术的迅猛发展,时间序列预测问题在算法优化中扮演着越来越重要的作用.由于数据不确定性的增加,多步预测遇到了巨大的挑战.针对传统预测模型中累积误差造成的预测精度低和算法复杂度等问题,提出了一种基于长短时记忆神经网络(LSTM)和动态贝叶斯网络(DBN)的时间序列预测模型,研究并证明了一种最优估计理论,并在此基础上得到了最优的预测估计.利用递归图模型,通过概率推理提高了预测性能,建立了一种由长短时记忆预测模型和动态贝叶斯网络组合成的新的图模型,称其为基于长短时记忆神经网络和动态贝叶斯网络的时间序列预测模型(LSTM-DBN),用于预测序列数据.仿真结果表明,该模型能够在提高序列预测精度和速度的同时,降低算法的复杂度.

参考文献

引证文献

问答

我要提问