检索结果-内蒙古大学图书馆

无线电通信技术 2024年第4期50卷 771-778页

作者：沈露露黄晋浩花敏周雯南京林业大学信息科学技术学院、人工智能学院江苏南京210037

太阳能是新兴的可再生能源之一,可将其转化为电能以供无线传感器网络(Wireless Sensor Networks, WSN)使用,对太阳能进行预测可以有效地利用能量,从而达到节省能源、维持网络持续稳定运行的目的。提出了一种新的组合预测模型来预测太阳... 详细信息

太阳能是新兴的可再生能源之一,可将其转化为电能以供无线传感器网络(Wireless Sensor Networks, WSN)使用,对太阳能进行预测可以有效地利用能量,从而达到节省能源、维持网络持续稳定运行的目的。提出了一种新的组合预测模型来预测太阳能辐照强度,其中改进的粒子群优化(Particle Swarm Optimization, PSO)算法被引入寻找长短期记忆(Long Short Term Memory, LSTM)神经网络模型的最优参数。选取自回归差分移动平均(Auto-Regressive Integrated Moving Average, ARIMA)模型来预测太阳辐照数据中的线性分量;采用PSO算法来优化LSTM神经网络模型的超参数,有助于提高模型预测的精度和鲁棒性;采用优化的LSTM神经网络模型来预测数据中的非线性分量;最后将两个模型的预测结果进行叠加。实验结果表明,新的组合模型比ARIMA、LSTM等模型,具有更高的预测精度。

关键词：自回归差分移动平均模型长短期记忆神经网络模型粒子群优化算法能量预测算法

来源：评论

学校读者我要写书评

暂无评论

城市轨道交通牵引变电所开关柜运行状态量预测与故障推断

引用

城市轨道交通研究 2023年第6期26卷 131-136页

作者：汪理张亦然宋大治苏许俊邹大云白思宁南京地铁建设有限责任公司南京210012 中铁电气化勘测设计研究院有限公司天津300250 南京南瑞继保电气有限公司 211102南京国网辽宁省电力有限公司沈阳供电公司沈阳110003

城市轨道交通牵引变电所开关柜故障直接关系供电系统运行安全,一旦发生故障,会直接影响城市轨道交通系统的安全稳定运行,严重情况下甚至会引发重大安全事故。为科学指导开关柜维护,有效降低运行风险,需要准确预测开关柜运行状态变化趋... 详细信息

城市轨道交通牵引变电所开关柜故障直接关系供电系统运行安全,一旦发生故障,会直接影响城市轨道交通系统的安全稳定运行,严重情况下甚至会引发重大安全事故。为科学指导开关柜维护,有效降低运行风险,需要准确预测开关柜运行状态变化趋势并实现故障推断。提出一种基于长短期记忆神经网络的方法来预测开关柜各状态量变化趋势,并借助鲸鱼优化算法对长短期记忆神经网络模型进行参数优化,采用灰色关联分析的方法对牵引变电所开关柜状态量预测值和故障进行关联度分析。基于南方某城市轨道交通牵引变电所开关柜的历史运营数据,利用模型进行预测分析,并将预测信息提供给运维人员,指导开关柜维修决策。结果表明,提出的基于鲸鱼优化算法-长短期记忆神经网络的方法能够准确预判开关柜故障,为城市轨道交通牵引供电设备运行提供可靠保障。

关键词：城市轨道交通牵引变电所开关柜状态量预测故障推断长短期记忆神经网络模型

来源：评论

学校读者我要写书评

暂无评论

基于LSTM神经网络模型的液压管路故障诊断方法

引用

机电工程 2022年第10期39卷 1374-1381页

作者：孟秋静杨钢上海电子信息职业技术学院中德工程学院上海201411 重庆交通大学机电与车辆工程学院重庆400074

在航空发动机液压管路故障信号中,因含有噪声的干扰,导致针对液压管路故障的识别准确率较低,为此,提出了一种基于长短期记忆(LSTM)神经网络的航空液压管路故障诊断方法。首先,采集了航空发动机液压管路故障的振动信号,根据管路信号的特... 详细信息

在航空发动机液压管路故障信号中,因含有噪声的干扰,导致针对液压管路故障的识别准确率较低,为此,提出了一种基于长短期记忆(LSTM)神经网络的航空液压管路故障诊断方法。首先,采集了航空发动机液压管路故障的振动信号,根据管路信号的特点设计并确定了LSTM模型;然后,开展了实例分析,将采集的液压管路原始振动信号加入了高斯噪声,并创建成液压管路数据集,利用所建长短期记忆神经网络模型对液压管路数据集进行了时序信息融合;最后,针对液压管路不同的故障情况,采用LSTM神经网络模型与循环神经网络(RNN)、卷积神经网络(CNN)、支持向量机(SVM)和反向传播神经网络(BPNN)等模型,进行了对比分析,验证了LSTM模型对航空液压管路故障分类的可行性和有效性。研究结果表明:在识别故障管路精度上,LSTM神经网络模型明显优于SVM和BPNN等传统的浅层神经网络模型;在抗噪性能方面,LSTM明显优于近年来所用的CNN和RNN诊断方法;这说明LSTM神经网络故障诊断方法对航空发动机外部液压管路故障诊断具有适应性和实用性。

关键词：长短期记忆神经网络模型流固耦合振动特性振动信号全局特征高斯噪声健康状态识别时间信息融合

来源：评论

学校读者我要写书评

暂无评论

基于LSTM-SVR组合模型优化的苹果价格预测研究与实现

基于LSTM-SVR组合模型优化的苹果价格预测研究与实现

引用

作者：刘宇萌重庆三峡学院

学位级别：硕士

苹果是全球重要的水果之一,其价格波动对农户、批发商和经销商具有重要影响。在苹果批发市场中,准确预测价格变动对于市场参与者做出明智的决策至关重要。本研究旨在开发一种高效的苹果价格预测系统,以提供可靠的市场信息。我们选取富... 详细信息

苹果是全球重要的水果之一,其价格波动对农户、批发商和经销商具有重要影响。在苹果批发市场中,准确预测价格变动对于市场参与者做出明智的决策至关重要。本研究旨在开发一种高效的苹果价格预测系统,以提供可靠的市场信息。我们选取富士苹果为研究对象,首先收集了2014年1月1日-2022年5月1日的苹果历史价格及其相关的18项影响因素进行分析和筛选,基于灰色关联分析理论得出了18种因素与苹果价格的关联程度。利用深度学习和优化算法相结合的方法进行价格预测。其次为了增强模型性能,我们采用麻雀搜索算法（SSA）对支持向量回归（SVR）模型进行参数优化,并与传统的长短时记忆网络（LSTM）模型相结合,构建组合模型。选取MSE、MAE、MAPE、R2作为评价指标综合考虑模型的拟合度和预测性能,通过对比单一模型和组合模型的各项评价指标,可以更好的验证得出组合模型性能更优。最后基于模型整体效果,设计并实现了苹果价格预测系统,为农户、批发商等相关产业人员提供历史价格以及价格预测可视化平台,帮助他们更好地理解市场动态、制定合理的价格策略和优化决策。未来,我们将继续改进模型,考虑引入更多影响因素,以进一步提高预测的准确性和鲁棒性。

关键词：长短期记忆神经网络模型支持向量回归模型麻雀搜索算法组合模型价格预测

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的高频交易协整套利策略研究——以沪深300成分股为例

基于机器学习的高频交易协整套利策略研究——以沪深300成分股为例

引用

作者：陈彬彬浙江财经大学

学位级别：硕士

配对交易是20世纪80年代中期在美国诞生的一种风险低、收益稳定的市场中性投资策略。主要通过对价格序列之间存在长期均衡关系的资产进行配对,当资产对价差偏离均衡时建仓,待其回归时平仓获利。随着2010年3月末,我国开始融资融券业务试... 详细信息

配对交易是20世纪80年代中期在美国诞生的一种风险低、收益稳定的市场中性投资策略。主要通过对价格序列之间存在长期均衡关系的资产进行配对,当资产对价差偏离均衡时建仓,待其回归时平仓获利。随着2010年3月末,我国开始融资融券业务试点工作,A股市场迎来了做空时代,在国内配对交易的应用成为可能。因此,本文基于我国上证A股市场沪深300成分股就配对交易策略进行研究。本文将配对交易技术于A股市场进行实践,股票池中有沪深300成分股中在上交所交易的167只证券的1分钟收盘价。以2020年1月3日至2020年12月31日为样本内区间,以2021年1月4日至2021年7月4日为样本外区间。主要从资产交易对选择、交易模型的设计、交易回测三个方面进行分析。(1)资产交易对选择方面:为扩大股票池行业范围的同时避免计算量激增,依据降维后的股票收益序列分别运用K-Means聚类以及OPTICS聚类对股票池进行预划分,并结合协整分析从聚类群中选取存在长期协整关系的交易对构成交易组合。分析两种股票池预划分方法的优缺点。(2)交易模型的设计方面:针对传统策略模型存在的不足,即以历史价差序列的标准差作为整个交易期的交易信号,信号可靠性较低。本文构建了以LSTM模型预测的滚动波动率作为交易信号的交易策略,探究新策略盈利与风险规避能力是否得到提升。为了进一步提升对价差序列波动率的预测能力,引入对金融时间序列的波动聚集性具有良好解释性能的GARCH模型,构建LSTM-GARCH融合模型,探究具有不同性能优势的机器学习模型与时间序列模型的融合是否能提升对序列标准差的预测精度,从而提升交易策略性能。(3)交易回测方面:从收益与风险两个方面出发,设计相应指标作为交易策略性能的评价标准,将基于新模型的交易策略回测结果与传统交易策略进行对比分析。同时,以资产增值及指数化策略作为基准投资策略,对比评价基于新模型的交易策略是否优于其他资产配置方式。实证结果表明:(1)结合聚类与协整法的股票配对法选取的交易对具有较高的有效性,通过该方法选出的同行业、非同行业交易对均能产生套利收益。其中,依据K-Means聚类算法及OPTICS聚类算法选取的交易对在传统交易策略下的平均年化收益率分别达到了34.86%与31.21%。(2)两种股票配对法选取的交易对的收益能力无明显区别,但相比K-Means聚类,基于OPTICS聚类算法的股票池预划分法具有更强的稳定性。(3)考虑交易成本的情况下,新模型下的配对交易策略相较于传统交易策略,年化收益率与夏普比率更高,同时最大回撤率更低,认为后者的盈利能力更优且风险更低。(4)相较于单一的LSTM模型,LSTM-GARCH混合模型对标准差序列的预测能力更佳,整体上,基于混合模型的交易策略盈利表现更优。本文研究可能形成的创新主要体现在:(1)交易对的选择方面,针对传统方法不适宜处理大量数据且只能找到同行业的可交易股票对的局限性,提出以机器学习的聚类方法对全行业股票池进行预筛选形成具有相关性的类群,再对类群内股票结合协整法进行配对的选股方法,将股票行业拓展到全行业的同时提升了计算的效率。(2)交易模型方面,在传统模型的基础上,基于长短记忆神经网络模型滚动预测价差的波动率,提出以预测波动率的固定倍数作为交易信号的策略模型。(3)波动率预测方面,考虑到机器学习模型缺乏金融理论支持的局限性,提出将金融时间序列模型与机器学习模型融合,构建GARCH-LSTM波动率预测模型,并进一步探究融合模型是否具有更高的预测精度并能够提升策略收益效果。本文提出的模型为配对交易策略的实践提供了新的思路与方法。

关键词：套利策略高频交易配对交易策略协整套利长短期记忆神经网络模型

来源：评论

学校读者我要写书评

暂无评论

复合随机神经网络模型构造及金融市场波动研究

复合随机神经网络模型构造及金融市场波动研究

引用

作者：张丽红北京交通大学

学位级别：硕士

金融能源期货价格时间序列的预测备受社会关注,正确预测能源期货价格指数时间序列可以减少能源价格波动对国民经济造成的巨大损失和最大限度的保护各经济主体的利益。故而本文提出了两个新型的复合深度学习神经网络模型以便提升金融期... 详细信息

金融能源期货价格时间序列的预测备受社会关注,正确预测能源期货价格指数时间序列可以减少能源价格波动对国民经济造成的巨大损失和最大限度的保护各经济主体的利益。故而本文提出了两个新型的复合深度学习神经网络模型以便提升金融期货价格指数的预测精度。随机时效性考虑到了金融能源期货价格指数历史数据权重是随时间变化的,距离当前和将来时间距离越近,历史数据对未来预测值的价值越大。集成经验模式分解(EEMD)是一种将非平稳非线性时间序列分解为简单独立的时间序列的算法。故而其中一个模型是将Elman递归神经网络模型与随机时效性相结合(ST-ERNN),并引入EEMD构成了一种新的复合神经网络模型(E-STERNN)来提高能源市场神经网络系统的预测性能。另一个模型是基于长短期记忆神经网络(LSTM)模型的随机时效长短期记忆神经网络模型(ST-LSTM),即在LSTM模型的权值和误差中引入了代表不同时刻对当前和未来信息不同影响的随机时效性函数,使模型更加符合期货市场的随机性和波动性。通过对全球金融能源期货市场价格的实证研究,采取了一系列误差类评价统计量,趋势类评价统计量和线性回归拟合方法等评估方法,应用t-检验和W秩检验验证了新提出的模型和传统深度学习神经网络模型的预测结果具有显著性差异。另外还提出了一种新型的多尺度复合复杂同步性(q-MCCS),从多尺度多维度证明了E-STERNN模型和ST-LSTM模型均提高了模型的预测精度,且证明了两个模型对于预测长期波动比短期波动序列具有更好的预测性能。

关键词：统计量类评估方法随机系统多尺度复合复杂同步性神经网络模型长短期记忆神经网络模型

来源：评论

学校读者我要写书评

暂无评论

基于GA-LSTM的上证50ETF价格预测与期权策略研究

基于GA-LSTM的上证50ETF价格预测与期权策略研究

引用

作者：彭雅琦西北大学

学位级别：硕士

基于对标的资产价格走势的预判构建方向性择时策略是期权的主要交易策略之一,随着期权在国内市场的迅速发展,研究期权方向性策略具有广阔的市场前景。但长久以来,由于金融时序数据存在随机性及非平稳性特征,股票及其衍生品等金融资产的... 详细信息

基于对标的资产价格走势的预判构建方向性择时策略是期权的主要交易策略之一,随着期权在国内市场的迅速发展,研究期权方向性策略具有广阔的市场前景。但长久以来,由于金融时序数据存在随机性及非平稳性特征,股票及其衍生品等金融资产的走势预测是方向性择时交易中的一个难题。深度学习中的长短期记忆网络模型(LSTM)能够处理时间序列的非平稳及复杂性,适用于金融资产价格走势预测及相关策略的构建。本文首先基于上证50ETF的中高频量价数据,通过经实数编码的遗传算法对于LSTM模型构建中的时间窗宽及隐藏层神经元数目进行参数寻优,并使用优化过的GA-LSTM模型预测上证50ETF收盘价。其次,本文根据预测出的价格构建上证50ETF期权方向性择时交易信号,叠加波动率判断指标决策期权交易的买卖方式,构建考虑波动率因素的期权日内方向性交易策略。最后,本文通过不同方向性信号将期权标的市场划分成强弱信号市场及无信号市场,在弱势及无信号市场中增加组合策略交易,并结合策略风险管理措施,帮助策略在交易信号较弱及没有方向性信号的时候获取更多收益,实现策略优化。本文研究结果表明:LSTM模型对于期权标的ETF价格预测误差MSE小于RNN循环神经网络模型,说明LSTM模型在金融时间序列预测问题上优势更强,且使用遗传算法对LSTM模型进行超参数寻优能够在一定程度上训练出最优LSTM模型,提高预测精度。用GA-LSTM模型预测价格、结合波动率判断指标构建的期权方向性日内策略具有较好的回测结果,且通过波动率指标决定交易买卖方式能够提升收益。增加组合策略及风险管理措施优化后的期权投资策略,能够通过在弱势及无方向性信号的市场中增加开仓来提高策略潜在收益且保证有限风险。

关键词：长短期记忆神经网络模型遗传算法期权交易策略

来源：评论

学校读者我要写书评

暂无评论

多情景耦合的径流预报精细化校正方法研究

多情景耦合的径流预报精细化校正方法研究

引用

作者：王随玲华中科技大学

学位级别：硕士

精准的径流预报对于水库调度运行以及工程效益的发挥至关重要,但在实际的入库流量预测中,模型的预报精度受许多因素的影响而难以提高,故需对径流预报结果进行相应的校正。已有的校正研究更多的关注点在于模型本身,而忽略了外界环境,例... 详细信息

精准的径流预报对于水库调度运行以及工程效益的发挥至关重要,但在实际的入库流量预测中,模型的预报精度受许多因素的影响而难以提高,故需对径流预报结果进行相应的校正。已有的校正研究更多的关注点在于模型本身,而忽略了外界环境,例如降雨量、预见期等对于预报精度的影响。故本文考虑不同外界环境及其对应的预报误差对于预报结果的影响,并在此基础上,展开以下研究:(1)首先利用单位根检验验证数据的平稳性再利用变分模态分解对现有数据进行处理,之后将处理后的径流预报相对误差输入长短期记忆神经网络模型进行预测,据此结果来校正预报径流。整体上与实际情况相比,校正后确定性系数的均值提升了1.39%,平均相对误差的均值下降了12.49%。(2)应用逐步回归分析方法筛选主要的误差影响因子,基于此实现不同影响因子组合下预报情景的划分;其中按照降雨量、预见期共划分得到12种预报情景,按照降雨量、预见期、入库流量划分得到24种预报情景。进一步基于历史预报误差数据推求各情景下径流预报相对误差的理论分布曲线及对应的置信区间并分析各自的变化规律。(3)基于划分的预报情景,选取长短期记忆神经网络模型、高斯过程回归模型、支持向量机回归模型分别对各情景下径流预报的相对误差进行预测并将其修正到对应的置信区间内,在此基础上,提出了一种多维、多属性径流预报校正方法,该方法不仅考虑了情景的划分,还考虑了各情景对应的预报误差。同时以三峡水库为研究对象发现,当以预见期为单位进行分析时,各情景对应的最佳适用模型为:分情景前当预见期为1-5天时适用支持向量机回归模型,当预见期为6天时适用长短期记忆神经网络模型;分12种预报情景后用长短期记忆神经网络模型以及支持向量机回归模型均可;分24种预报情景后用长短期记忆神经网络模型进行预报校正的精度最高,其模型确定性系数的均值整体上由分12种预报情景的0.9187变为分24种预报情景后的0.9309,增加幅度达到1.33%。平均相对误差的均值由分12种预报情景的6.80%变为分24种预报情景后的5.64%,减少幅度达到17.06%。整体上,本文基于不同的外界环境如降雨量、流量、预见期设置多种预报情景,并推求各情景下径流预报相对误差的变化规律以及置信区间,最后选取长短期记忆神经网络模型、高斯过程回归模型、支持向量机回归模型对不同情景下径流预报的相对误差进行预测,并将其修正到置信区间内,之后通过修正的预报误差对预报结果进行校正,比较不同情景下的径流校正结果后得出各情景下的最佳模型适配表。

关键词：预报误差预报校正预报情景长短期记忆神经网络模型高斯过程回归模型支持向量机回归模型三峡水库

来源：评论

学校读者我要写书评

暂无评论

基于网络向量自回归模型的区域网约车发单量研究

基于网络向量自回归模型的区域网约车发单量研究

引用

作者：张英慧上海师范大学

学位级别：硕士

随着移动智能互联网的迅猛发展和城市生活节奏的加快,网约车逐渐成为城市交通出行的重要方式之一,网约车行业也在全国乃至全球范围内蓬勃发展。随着越来越多的网约车平台运营商的加入,行业竞争日益激烈,网约车平台的稳定运营和高效调度... 详细信息

随着移动智能互联网的迅猛发展和城市生活节奏的加快,网约车逐渐成为城市交通出行的重要方式之一,网约车行业也在全国乃至全球范围内蓬勃发展。随着越来越多的网约车平台运营商的加入,行业竞争日益激烈,网约车平台的稳定运营和高效调度显得愈发重要。其中,网约车平台的历史订单情况为预测网约车发单量、研究网约车资源供需情况,进而优化资源配置、提升用户体验、提高完单转化率提供了十分有价值的依据。本文旨在研究不同区域网约车发单量的预测问题,通过选取上海、杭州、广州几个网约车需求量较大的城市,分区域对每日各时段的网约车发单情况进行统计,同时结合星期、工作/节假日、天气、历史接单响应时长、订单起终点类型等协变量特征,构建网络向量自回归模型。基于滑动窗口的思想,本文通过最小化交叉熵的方法确定了最优窗口期,实现了对网约车发单量的小时级滚动预测,采用平均绝对误差MAE、均方误差MSE、均方根误差RMSE和加权平均绝对百分比误差WMAPE衡量模型的预测效果,并结合长短期记忆神经网络模型进一步优化,以充分利用历史数据挖掘有用信息,为提高网约车平台的调度效率和服务质量提供有效参考。在探索性数据分析阶段,结合分布图像并应用K-W检验、K-S检验和聚类方法,可以确定将发单量趋势类型、星期类型、POI类型三种网络效应引入模型进行研究。进一步,在模型构建阶段,本文首先运用多项式回归方法对呈现出明显趋势的数据进行去趋势化处理,然后对去趋势后的部分进行拟合。在模型的逐步引入过程中考虑了多阶动量效应、多个网络效应和节点效应,并通过比较预测效果,最终确定了效果最佳的模型组合。最后,结合时变的气象维度协变量,本文引入了神经网络模型以进一步优化预测效果,优化后的模型表现出色,其MAE、MSE、RMSE、WMAPE与未经优化的情况相比分别下降了18.44%、30.98%、18.27%、17.88%,说明了时变特征和神经网络模型的加入对于网约车发单量模型预测效果的重要提升作用。

关键词：网约车发单量预测网络向量自回归模型长短期记忆神经网络模型

来源：评论

学校读者我要写书评

暂无评论

基于机器学习算法的股价预测研究

基于机器学习算法的股价预测研究

引用

作者：陈梓海东莞理工学院

学位级别：硕士

股票作为人们常见的理财工具,已成为投资者投资理财的重要工具。对股价较为准确地预测有助于减少投资者的盲目性和从众性,更好地促进企业和我国经济的健康持续发展。由于股价存在随机性、非线性和时序性等特点,使得股票市场错综复杂。... 详细信息

股票作为人们常见的理财工具,已成为投资者投资理财的重要工具。对股价较为准确地预测有助于减少投资者的盲目性和从众性,更好地促进企业和我国经济的健康持续发展。由于股价存在随机性、非线性和时序性等特点,使得股票市场错综复杂。机器学习的马尔可夫链(MC)模型由于具备随机特征,对股价的预测具有很好地理论优势,但其实验结果往往会受到特定因素的影响。通过引入能够更充分利用现有数据的加权方法、非线性回归能力强的支持向量回归(SVR)模型以及能够学习时间序列数据中的模式和趋势的长短期记忆神经网络(LSTM)模型,构建了加权MC模型,并提出了MC＿SVR滚动模型和MC＿SVR＿LSTM组合模型对股价进行拟合预测。另外,针对SVR模型在大数据集样本上的训练时间过长的问题,将迁移学习应用到组合模型的研究中具有一定的研究意义。首先我们将加权的思想引入到MC模型中进行研究,并对该模型的状态划分区间做了优化改进,使得该模型能更好地应用于股票预测的同时,发现MC模型在预测更远日期的结果上表现不佳,为引入SVR模型提供了可能。同时,结合滚动预测的思想,通过网格搜索法确定模型的核函数类型以及相应参数值,形成MC＿SVR滚动模型,对海泰发展的股票周数据进行预测研究,并增加股票只数验证模型的泛化能力。最后,利用迁移学习的参数迁移法,将MC＿SVR滚动模型在周数据上训练得到的核函数类型和相应参数值迁移到对股票日数据的预测研究上,并结合LSTM模型,形成MC＿SVR＿LSTM组合模型。实验结果表明:相比MC模型,加权MC模型对短期数据的预测状态的准确率提高了两倍,平均绝对误差δ降低了4.98%。MC＿SVR滚动模型则在周数据上有效提高了预测结果的精度,其相比于MC模型、SVR模型和LSTM模型,δ分别降低了68.17%、0.19%和1.15%,均方根误差RMSE分别降低了2.1425、0.0017和0.0379。MC＿SVR＿LSTM组合模型更是在日数据上进一步提高了股价预测的精度,相比SVR模型、MC＿SVR滚动模型和LSTM模型,MC＿SVR＿LSTM组合模型的RMSE分别降低了0.0189、0.0016和0.0236,δ分别降低了0.85%、0.02%和0.65%。此外,在扩展实验中,加权MC模型、MC＿SVR滚动模型和MC＿SVR＿LSTM组合模型均表现出更强的泛化能力和更高的预测准确性。

关键词：机器学习马尔可夫链模型支持向量回归模型长短期记忆神经网络模型股价预测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：