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.

全文阅读

收稿日期: 2017-09-07 修回日期: 2018-01-10 网络出版时间: 2018-04-28 基金项目: 国家自然科学基金(60972095,61271362,61671362);陕西省自然科学基金(2017JM6041) 作者简介: 司 阳(1992-),女,硕士研究生,研究方向为计算机视觉、模式识别与人工智能、图像处理;肖秦琨,博士,教授,研究方向为计算机视觉、模式识别与人工智能、手势交互与图像处理。 网络出版地址: http:/ /kns.cnki.net/kcms/detail/61.1450.TP.20180427.1630.036.html 基于长短时记忆和动态贝叶斯网络的序列预测 司 阳,肖秦琨 ( 西安工业大学 电子信息工程学院,陕西 西安 710021) 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。 关键词: 时间序列预测;长短时记忆;贝叶斯网络;图模型 中图分类号: TP39 文献标识码: A 文章编号:1673-629X( 2018) 09-0059-05 doi:10.3969/j.issn.1673-629X.2018.09.013 Time Series Prediction Based on Long-short Time Memory and Dynamic Bayesian Network SI Yang,XIAO Qin-kun (School of Electronic Information Engineering,Xi'an Technological University,Xi'an 710021,China) Abstract:With the rapid development of computer vision technology,time series prediction is playing an increasingly important role in optimization of algorithms. Due to the increase in data uncertainty,the multi-step prediction has encountered great challenges. The predic-tion accuracy and complexity of the traditional prediction model are low, so we propose a time series prediction model based on combina- tion of the long-short time memory neural network model and the dynamic Bayesian network (DBN)

参考文献

引证文献

问答

我要提问