一、经济增长非线性时序预测方法研究（论文文献综述）
张浩[1]（2021）在《风电功率时空不确定性预测方法研究》文中研究指明双碳目标下,大规模集中开发是未来我国风电开发的重要模式。但是,在此模式下风资源及其发电功率在时间和空间上将呈现复杂的耦合和聚合特性,加剧了其不确定性对电力系统安全、稳定、经济运行的不利影响。如何准确预测风电功率时空不确定性成为新能源电力系统亟待突破的关键问题。因此,以“空间联合→时序联合→时空联合→多主体数据保护时空联合”为研究思路,基于深度学习理论开展了风电功率时空不确定性预测方法研究。主要工作包括:1.提出了 Beta型深度混合密度网络（IDMDN）的短期多风电场功率不确定性预测模型,融合区域多风电场空间关联信息,同时避免了密度泄露问题。首先,以Beta分布作为基分布构建了混合密度网络模块,提出了相应的数值稳定策略;然后,结合提出的Beta型混合网络模块与深度全连接网络,建立了IDMDN模型,用于区域多风电场功率空间联合不确定性预测。采用7个风电场的实际运行数据进行模型验证,结果表明:IDMDN模型避免了密度泄露问题,能够得到符合真实情况的风电功率预测概率分布,预测效果优于几种区域总功率预测和单风电场功率预测对比方法。2.提出了多源时序注意力网络（MSTAN）的短期风电场功率不确定性预测模型,融合历史数据与多源数值天气数据,并挖掘其隐含时序依赖模式,提高了预测精度。首先,引入多源数值天气预报数据,研究了多源数值天气预报中存在的时序误差模式;其次,结合发现的时序误差模式,提出了一种多源变量注意力模块用于多源数值天气预报的动态特征提取;然后,提出了一种时序注意力模块,用于提取隐含在历史观测序列和多源数值天气预报序列中的长时依赖信息;最后,结合研究1中的混合密度网络模块和参数共享机制,建立了 MSTAN模型用于单个风电场未来1-48小时功率时序联合不确定性预测。通过3个风电场的实际运行数据对MSTAN模型进行验证,结果表明:多源数值天气预报改善了预测结果,MSTAN模型结构设计合理,其确定性预测与不确定性预测精度指标均超过了两种典型技术路线下的多种对比预测方法。3.提出了自适应时空图卷积网络（SA-STGCN）的多风电场功率时空联合不确定性预测模型,加强了对于非规则排布风电场群数据的时空特征提取能力,提升了多风电场、多时刻短期联合不确定性预测性能。首先,从空间维度拓展了研究2中提出的多源变量注意力模块,形成了多位置-多源变量筛选模块,用于多风电场、多源NWP的特征提取与数据融合;其次,提出了具备动态空间特征提取能力的自适应图卷积模块,与三维时序注意力模块相结合形成了时空特征提取模块;然后,在空间维度拓展了研究1中提出的混合密度网络模块,并在时间维度上进行参数共享;最后,建立SA-STGCN模型用于未来1-48小时的多风电场功率不确定性预测。以中国北方某风电集群实际运行数据为例进行验证分析,结果表明:SA-STGCN模型对复杂时空关联数据有更好的适应性,在多个风电场的确定性与不确定性预测结果均优于多种对比模型。4.提出了多运营主体数据保护的分割网络（SplitNN）不确定性预测模型,在数据安全的前提下间接融合多区域时空信息,提升了多个区域的超短期预测水平,显着缩短了模型训练用时。首先,总结了 Split Learning（SL）的几种典型设计模型;然后,结合SL中的 CSC（Client to Server to Client）模式和 MCS（Multi-Client to Server）模式建立了 SplitNN模型,用于多风电运营主体下的多风电场超短期功率时空联合不确定性预测。SplitNN模型以一个服务端对多个客户端的信息进行融合,多个客户端基于融合信息分别进行各自区域内的风电功率不确定性预测,从而在原始数据不出本地的情况下实现多个风电运营主体协同预测的目的。通过美国东部四州65座气象观测站的数据对所提出的模型进行验证分析,结果表明:提出的SplitNN模型提升了多个区域的超短期风速不确定性预测精度,同时缩短了训练时间。本文中提出了风电功率空间、时序、时空不确定性预测方法,提出的部分方法、技术已工程应用于区域风电场群功率预测系统中,并取得了良好预测效果。
王旭磊[2]（2021）在《基于GAN和GRU的时间序列预测和填补方法研究》文中指出近年来,随着传感器、物联网、云计算等技术的发展,海量的时间序列数据不断的产生并被记录下来,对这些时间序列数据的挖掘和分析给我们日常生活带来了巨大的便利,例如天气预报、气候预测、股价预测、商品零售预测等。鉴于时间序列在众多广泛应用中的重要性,许多时间序列预测方法相继被提出,其中大多数是自回归生成模型,该模型在训练时使用真实的历史数据,但在预测时这些数据会被网络生成的预测数据所替代,导致模型在预测过程中产生错误累积,进而降低模型的预测性能。此外,时间序列数据在采集过程中,由于传感器故障或者传输、存储不当等原因很容易造成数据的缺失。时间序列数据前后值之间具有很强的依赖性,这些缺失的部分会极大的阻碍对时序数据的建模。因此,有效的缺失值处理方法通常可以使后续时间序列分析和预测类任务事半功倍。传统的缺失值处理方法大多未考虑到时序数据的前后依赖特性,因此难以取得准确的填补效果。针对当前自回归时间序列预测模型的局限性,本文结合生成式对抗网络的思想,提出一种基于生成式对抗网络（Generation Adversarial Network,GAN）和门控循环神经网络（Gate Recurrent Units,GRU）的时间序列预测方法。该模型采用非常适用于序列数据建模的门控循环神经网络来搭建内部网络结构,同时判别器可以进一步提升网络在序列级上的预测精度,降低误差积累对网络预测性能的影响。网络训练完成后,生成器可以生成符合原始时间序列数据分布的预测值。针对时间序列数据的缺失问题,本文在在充分研究了时间序列数据的特性之后,采用双向门控循环神经网络结合生成式对抗网络技术和去噪自编码器的思想,提出了基于双向门控循环神经网络和生成对抗网络的时间序列数据缺失值填充方法。该方法可以结合每条缺失数据的未来信息与过去信息,在缺失的数据集上直接完成填补工作。真实数据集下的实验结果证明了本文提出的时序数据预测方法和时序数据缺失值填补方法的有效性。
毛锦琦[3]（2021）在《数据特征驱动的煤电产能过剩预测预警模型构建及实证研究》文中指出
翟梦梦[4]（2021）在《基于信号分解的LSTM/BILSTM-ARMA模型对山西省流感的预测效果研究》文中进行了进一步梳理目的:分析山西省2010年第14周-2017年第13周的流感监测数据的时序特征;基于时序特征分析结果,建立基于信号分解的组合预测模型;并分别与基于信号分解的单一预测模型、未进行信号分解的单一预测模型进行比较,评价各模型的预测性能,最终选择最优模型预测山西省流感的发病趋势,为山西省流感的高精度预测提供有效的科学依据。方法:收集整理山西省的周度流感监测数据,分析其发展趋势及季节性特征,同时研究该数据的平稳性、随机性、非线性及长期记忆性等特征。首先,基于该序列的时序特征分别建立单一ARIMA、LSTM、BILSTM模型。其次,基于该序列的复杂特性,使用SSA、EMD、WT对山西省流感序列进行分解,并与上述单一模型进行随机组合,建立基于信号分解的单一模型,以验证序列分解方法能否提高模型预测性能。最后,依据子序列的平稳性不同分别选择ARMA（平稳子序列）和LSTM/BILSTM（非平稳子序列）构建组合模型;使用MAE、MSE、MAPE评价各模型的预测性能,为山西省流感的高精度预测提供一定理论支持。结果:1.山西省2010年第14周-2017年第13周流感病例的平均发展速度为103.33%,平均增长速度为3.33%;但其占门急诊就诊病例的百分比（ILI%）呈逐年下降的趋势,并具有明显的季节性特征,其发病高峰为8月8日到次年3月16日。对其数据进行时序分析发现:ADF检验统计量为t=-3.6371,P<0.05;KPSS检验统计量为x2=0.8067,P=0.010;Ljung-Box检验统计量为x2=287.5732,P<0.0001;BDS检验在不同的嵌入维数和距离判定参数下,均拒绝原假设;R/S法得到的Hurst指数为0.8545。2.对比单一ARIMA、LSTM、BILSTM模型的流感预测效果发现:BILSTM模型的MSE、MAE、RMSE相比于LSTM分别减少了5.8%、4.4%、3.0%;相比于ARIMA分别减少了80.6%、60.1%、56.0%;LSTM模型的预测性能相比于ARIMA分别提高了79.5%、59.2%、54.7%。3.基于信号分解的单一模型与其基本单一模型比较发现:SSA-ARIMA、EMD-ARIMA和WT-ARIMA的MSE、MAE、RMSE较ARIMA模型分别减少了42.7%、84.5%、28.6%,28.3%、65.2%、13.7%,24.2%、60.7%、15.5%;SSA-LSTM、EMD-LSTM、WT-LSTM的MSE、MAE、RMSE较LSTM模型分别减少了34.5%、39.8%、14.1%,19.0%、23.0%、4.5%,19.0%、22.3%、7.4%;SSA-BILSTM、EMD-BILSTM、WT-BILSTM的MSE、MAE、RMSE较BILSTM模型分别减少了26.1%、38.9%、23.9%,12.5%、22.8%、7.0%,13.9%、21.8%、13.0%。4.基于信号分解的组合模型与基于信号分解的单一模型比较发现:相比于基于信号分解的单一模型,基于信号分解的组合模型的预测性能均有所提高;且在六种组合模型中,SSA/EMD/WT-BILSTM-ARMA的MSE、MAE、RMSE值低于对应的SSA/EMD/WT-LSTM-ARMA,分别为0.0108、0.0812、0.1038;0.0108、0.0772、0.1037;0.0137、0.0922、0.1169,其中以EMD-BILSTM-ARMA模型的MSE、MAE、RMSE值最小。结论:1.山西省流感存在明显的季节周期性,具有非线性、非平稳及长记忆性等特征。2.对于具有非平稳、非线性特征的序列,单一LSTM、BILSTM模型的预测性能优于ARIMA模型且BILSTM优于LSTM。3.基于SSA、EMD、WT分解的单一模型预测性能优于未进行信号分解的单一模型,且当使用同一种模型进行预测时,EMD提升效果最好、SSA次之、WT效果最差。4.利用不同模型优势的组合模型预测性能优于基于信号分解的单一模型,其中,以EMD-BILSTM-ARMA模型表现最优。
覃梦娇[5]（2021）在《基于深度学习的海洋环境时空预测方法》文中提出海洋环境时空预测是海洋科学研究中非常重要的部分,对于海洋环境要素的监测、海洋灾害的预警预报、海上应急救援等具有重要意义。海洋过程的时空连续性与时空异质性,使其发展过程具有显着的不确定性和复杂非线性。传统海洋时空推理与预测方法以经验模式为驱动,难以精确提取海洋大数据的时空特性、有效拟合非线性特征,限制了海洋大数据环境下的非线性海洋环境时空预测精度。随着空天地海立体观测技术的飞速发展,高精度、高频度、大覆盖的超海量海洋数据呈爆炸式增长,给海洋时空预测研究带来了前所未有的机遇和挑战。然而,现有海洋观测数据对于复杂时空过程的表征往往是不完备的,具体体现在数据表征不完备、特征表征不完备及过程表征不完备这三个方面。本文从海洋大数据角度切入,针对表征不完备问题,基于深度学习的非线性学习和拟合能力,融合海洋大数据的时空耦合、地理关联特性,初步建立了基于深度学习的海洋环境时空预测方法体系,并以浙江近岸海域浮标监测及北太平洋年际涛动预测为实例,进行了核心方法的测试、应用与验证,本文的研究内容概括如下:（1）时空数据缺失会导致海洋时空建模不精准、分析预测不及时。针对海洋数据表征不完备中的数据缺失问题,引入海洋监测数据的多维度信息,提出了基于MC-MVL模型的海洋时空缺失数据补全方法,充分考虑不同单维度间的复杂相关关系,并通过不同视图的相互协作,解决多维海洋观测数据块缺失问题。（2）针对海洋环境复杂序列特征表征不完备、直接建模难度大导致连续预测误差累积迅速的问题,构建了SGRU网络实现复杂海洋观测时间序列的连续动态预测。通过时序分解策略充分提取复杂序列特征,构建多路GRU网络进行连续预测,减小模型的拟合难度,有效降低累计误差,提高时序连续预测精度。（3）从海洋时空耦合角度切入,提出基于GConv GRU模型的海洋环境时空预测方法。方法结合循环神经网络强大的时序特征提取能力及卷积神经网络的空间特征提取优势,融合海表温度异常图像梯度信息,具有对海表温度异常的时空演变特征进行精确提取的能力,实现基于海表温度异常场数据的北太平洋年际涛动时空预测。（4）针对复杂海洋时空过程表征不完备、基于深度学习的海洋环境时空预测方法可解释性弱且难以融合大量已有先验信息的问题,引入Takens嵌入定理及广义嵌入定理,提出地理约束下的GSTEN模型实现海洋环境时空预测。充分论证了融合先验信息及深度学习方法在海洋时空预测中的有效性和实用性。本文研究有效提升基于深度学习的海洋环境时空预测精度与应用能力,有望实现海洋环境时空预测方法的理论创新和方法突破,促进地理信息、人工智能与海洋科学的交叉研究与融合发展。
马小菁[6]（2021）在《基于时间序列分析的山东大葱价格预测研究》文中研究表明农产品价格预测是农业经济生活中不可缺少的活动,也是农业经济管理领域的一个研究热点。目前农产品价格预测相关研究主要以大宗农产品为主,对于具有地区特色的农产品价格预测研究相对缺乏。山东是农林牧渔总产值居于全国首位的农业大省,而且一直以来都有"中国的菜篮子"的称号。大葱是山东最具特色的农产品,其价格的合理预测不仅能有利于维持大葱等农产品的市场均衡,也能促进地区农业稳定发展。时间序列预测领域,研究方法日新月异。大数据时代的迅速崛起加速了传统农业向现代化农业的发展进程,随着农业领域对数据分析需求的不断增加,运用时间序列法、智能方法、多尺度方法等高效方法来预测农产品价格已成为如今研究的重点。本文基于时间序列分析针对山东独具特色的大葱建立多种价格预测模型进行比较研究。考虑到受多种因素的作用,时间序列波动趋于复杂、多样化,本文首先构建了传统的ARIMA-EGARCH模型。近年来随着深度学习以及多尺度方法的兴起,时间序列预测领域的研究蒸蒸日上,所以在此基础上文章又先后建立了LSTM神经网络以及基于EEMD的LSTM-AR组合预测模型来探究他们在农产品价格预测领域的可行性。实验中分别检验了所构建模型的有效性并结合MAE、MAPE、RMSE对它们的预测效果做出评价。经过比较,基于EEMD的LSTM-AR模型预测效果优于其他模型,能够实现对山东大葱未来价格的有效预测,且具有较高的预测精度;而传统的ARIMA-EGARCH模型预测精度则要高于LSTM神经网络。
李亚钊[7]（2021）在《基于报废量预测的汽车回收站多目标选址方法研究》文中进行了进一步梳理随着我国汽车市场的蓬勃发展,我国报废汽车的数量正在逐年增加,报废汽车若无法得到及时有效处理则会产生严重的环境污染问题并造成大量可再生利用资源的浪费。汽车回收站作为报废汽车回收流程的第一环节,其分布合理与否不仅影响着我国报废汽车回收系统的工作效率,而且影响着报废汽车回收企业自身的收益情况。因此,本文提出了一种基于报废量预测的汽车回收站多目标选址方法,具体研究内容如下:首先,文章对发展情况存在差异的不同地区进行汽车报废量的预测。鉴于相关统计数据的缺乏,汽车报废量采用汽车保有量与报废率乘积的形式来表示。通过对地区人口、经济指标及政策等影响因素进行分析,分别构建了汽车保有量与汽车报废率神经网络预测模型对历年报废量进行预测。接着,建立组合时序预测模型与改进的人工鱼群算法对汽车报废量的未来变化趋势进行预测。其次,本文以服务覆盖率与企业的总成本作为目标函数建立了报废汽车回收站多目标选址模型。模型中采用渐进覆盖策略来替代传统覆盖策略,同时综合考虑了包括运输成本、碳排放成本等在内的各项成本,以期更好的反应企业现实运营情况。接着,在建立选址模型的基础上提出了一种改进的新型NSGA-II-TS混合算法对选址模型进行求解,并通过Matlab编程软件对混合算法进行编码实现。最后,以大连市内四区为研究对象进行了实例验证。在获取大连市相关情况与数据的基础上,应用汽车报废量预测模型对未来市内四区的汽车报废量分别进行预测。随后应用本文提出的多目标选址模型和求解算法进行选址求解,最终得到了大连市报废汽车回收站选址方案解集并给出了相应的车辆路径规划方案。通过实例验证的结果,证明了本文选址方法的可行性,同时证明了所提出的NSGAII-TS混合算法的有效性,为未来我国报废汽车回收企业的选址决策提供了借鉴与参考。
刘素辉[8]（2021）在《基于多源异构数据的股价趋势预测研究》文中进行了进一步梳理股票价格的趋势预测一直以来都是学术界和工业界的热点研究问题。传统计量经济学模型以股票历史价格序列为研究对象,通过刻画股价波动规律来对股价趋势进行预测。但股票市场是一个适应性的复杂市场,影响股价波动的因素众多。尤其随着互联网的飞速发展,大量与股票相关的信息以文本形式涌现了出来。仅基于传统金融时序数据进行股价趋势预测越来越呈现出数据的局限性。近些年人工智能算法的突破以及计算能力的提升,使得计算机有能力突破以往仅以股票历史时序数据进行股价趋势预测的研究。本研究从计算机和金融学的交叉角度出发,力图兼顾可解释性强的金融学理论基础和深度学习自动抽取特征的优点,构建融合多源异构信息的深度学习技术框架,并将该框架应用于具体股价趋势预测问题中,以解决现有研究的不足。本研究的主要研究内容与创新研究成果如下所述:（1）提出了融合行业轮动与联动信息进行股价趋势预测的深度学习模型,该模型在数据层增加了可随模型训练更新的参数矩阵——“行业相关参数矩阵”,可实现自动学习其他行业对目标个股所属行业的影响强度;其次,模型利用基于因子分解机的深度神经网络对输入数据不同特征之间的交互特征进行了自动抽取。实验结果表明,融合多源行业时序数据的模型比采用单源时序数据的模型预测准确率有明显提高;增加对输入数据交互特征的抽取丰富了对输入数据的挖掘程度,同样显着提高了模型预测准确率。此外,模型训练结束后,将模型学习到的“行业相关参数矩阵”与利用动态时间弯曲算法得到的系数矩阵进行对比,发现两者在很大程度上具有一致性,间接反映了深度学习模型在处理复杂预测问题上的优秀能力。（2）提出了融合公众情绪数据进行股价预测的深度学习模型,该模型采用随机傅里叶特征构造了显式核映射层,并在决策层用此结构代替了传统多层全连接网络。考虑到个股股权集中度水平对预测结果的影响,本研究分别在不同股权集中度水平下对模型进行了训练和评估。实验结果表明,采用显式核映射层的模型比采用传统多层全连接网络的模型预测准确率有明显提高。显式核映射为随机映射过程,在计算过程中不会为模型带来额外可训练的参数,可有效简化模型结构,提高模型的泛化能力。此外,股权集中度水平与模型预测准确率呈负相关。说明了对于股权集中度水平较低,即个体投资者较多的个股,公众情绪数据对于股价波动的影响较大,更适合作为预测模型的输入数据来源。（3）提出了融合新闻事件数据进行股价预测的深度学习模型,该模型在数据表示阶段,采用事件三元组形式的结构化文本表示方式,代替了传统关键词的词向量均值的文本表示方式。并构建了基于事件类型信息与注意力机制的卷积神经网络模块（Category-based Convolutional Attention Module,CCAM）用于抽取文本数据中的语义特征。实验结果表明,采用结构化的事件三元组作为文本表示方式的模型比采用关键词的词向量均值表示方式的模型预测准确率显着提高,这说明结构化的文本表示方式可以保留更多文本语义信息,减少事件元素之间的特征混淆。此外,采用CCAM模块进行文本语义特征抽取的模型预测准确率比采用基于注意力机制的卷积神经网络（Convolutional Block Attention Module,CBAM）模块以及原始卷积神经网络（Convolutional Neural Network,CNN）模块的模型预测准确率高,这表明了增加注意力机制可有效区分不同事件对股价涨跌的影响,并且将先验信息（事件类型）融合到CBAM模块中可进一步提高CNN对文本语义特征的抽取。该模型的研究对象为高股权集中度水平下个股,实验结果表明,采用新闻标题文本数据作为输入的模型预测准确率高于采用公众情绪数据作为输入的模型。这说明了对于股权集中度水平较高,即机构投资者较多的个股,新闻标题文本数据更适合作为预测模型的输入数据来源。
潘琳[9]（2021）在《基于深度学习的时间序列预测方法物联网应用研究》文中提出随着物联网技术的发展和广泛的应用,在各种应用场景中产生了大量的时间序列数据。时间序列预测是依据历史数据挖掘并预测下一时刻状态的技术,挖掘这些数据中蕴含的信息,对众多领域都有着至关重要的指导作用。然而由于物联网时间序列的非平稳性、非线性等特点,现有的解决方案无法满足具有多样性和差异性的物联网时间序列预测的需求。当前计算机性能的提升促进了深度学习的发展,在自然语言处理等领域取得的巨大成果,为物联网时间序列预测提供了有效的解决思路。本文主要研究如何利用深度学习解决特定物联网应用场景中的时间序列预测问题。具体研究内容和创新点包括:1.提出一种基于长短期记忆网络（LSTM）特征融合的时间序列预测框架。随着海量数据的产生,时序特征已由低维转变为高维。传统预测方法无法挖掘时序数据中多维特征间的相关性,且多数着眼于挖掘短期的时间相关性,导致模型预测效果不佳。针对以上问题本文提出一种适用于多特征时间序列的预测框架,该框架既能较好的挖掘序列中的时间相关性,同时也能完成特征提取,捕获多特征间的相关性。并利用此框架解决物联网智慧畜牧应用场景中的奶牛发情检测问题。应用结果表明,本文提出的解决方案在准确性和有效性等方面都优于传统的检测算法。2.提出一种基于多组件时空图卷积的时空序列预测框架。部分物联网场景的时空数据含有地理位置信息,为充分挖掘并利用数据中的时空相关性及时序数据中蕴含的多种时间维度模式,本文提出一种适用于时空数据的多组件融合预测框架。该框架以时空图卷积为基础预测模型,采用图卷积挖掘空间相关性,时间门控卷积提取时间相关性,通过融合多组件及其他相关特征进行预测。该框架应用于物联网智慧交通应用场景中的交通流量预测问题,应用结果表明,本文提出的多组件融合的预测框架优于单一组件,且融合气候等相关特征可进一步提升模型预测效果。
常淼[10]（2021）在《基于深度学习的风电滚动轴承故障诊断与预测》文中认为随着社会的不断发展,大气环境污染问题日渐加剧,风能是最为最清洁的可再生能源之一,在改善能源结构方面具有重要作用,在世界各国倍受重视。随着装机容量的快速发展,风电机组的运行维护问题日益突出。由于长期工作在恶劣环境中,风电机组各部件的运行性能和健康状态随运行环境和时间的变化呈现衰退趋势,甚至产生故障,导致严重的发电量损失和经济损失。在风电机组中,由齿轮箱轴承故障引起的停机时间最长,而滚动轴承是其重要组成部件,对其故障诊断与预测进行研究具有重要的理论研究价值和工程应用意义。针对风电滚动轴承的故障诊断,目前常用的方法是将人工提取特征和分类器结合的方法来实现故障识别,模型通常较复杂,人工提取特征容易丢失关键信息,无法保证通用性和泛化能力。为此,论文以风电机组滚动轴承为研究对象,考虑风电机组滚动轴承故障特征微弱、提取困难,诊断效率低下等问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）的故障诊断算法,实现故障特征自动提取和故障分类。在此故障诊断策略中,对传统CNN的结构和训练算法进行改进。通过实验证明此模型在故障特征提取自动提取、训练速度、诊断精确度、泛化能力、鲁棒性等方面的优越性。考虑CNN网络参数对故障诊断的影响,且无法对所有数据集进行最佳泛化的问题,使用贝叶斯优化器对此改进CNN模型的网络深度、初始学习率、正则化系数以及随机梯度下降算法的动量进行选择。通过实验,对贝叶斯优化的迭代过程进行数字和图像的记录,分析CNN参数优化结果,对优化得到的CNN模型的泛化性和鲁棒性进行验证。对风电滚动轴承已发故障的迅速诊断可以节省故障排查时间。但是,对其运行状态进行预测性诊断可以及时识别故障征兆,及早确定故障发生的时间,从而对设备进行预测性维护。考虑长短期记忆网络（Long Short Term Memory,LSTM）在处理时序序列方面的优越性,提出一种基于双层LSTM的故障预测策略。在此故障预测策略中,两个LSTM分别用于短期时序预测和序列到标签的分类,从而实现对该时序序列未来一定时间的每一个时间步的运行状态的预测。通过实验验证此模型在故障预测方面的有效性。对风电滚动轴承的剩余寿命预测进行研究,可以进一步优化运维检修策略和备件订购事宜,进行视情维修,提高风电机组运行的可靠性。考虑LSTM在处理较长时序序列所需时间较长的问题,提出一种基于CNN-LSTM模型的风电滚动轴承剩余寿命预测模型,充分利用CNN的故障特征提取能力和LSTM处理时序序列方面的优越性。通过实验验证此CNN-LSTM模型可以较为精确地描绘剩余寿命变化趋势,在实现剩余寿命预测方面具有很高的有效性。
二、经济增长非线性时序预测方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、经济增长非线性时序预测方法研究（论文提纲范文）
（1）风电功率时空不确定性预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩写符号汇总 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 风电功率时空不确定性预测研究现状 |
| 1.2.1 风电功率不确定性预测 |
| 1.2.2 考虑时空相关性的风电功率预测 |
| 1.2.3 主要问题总结 |
| 1.3 论文研究思路 |
| 1.4 论文研究内容与框架 |
| 第2章 基于改进深度混合密度网络的短期风电功率空间联合不确定性预测 |
| 2.1 引言 |
| 2.2 混合密度网络及密度泄露问题 |
| 2.2.1 原始混合密度网络 |
| 2.2.2 密度泄露问题 |
| 2.3 基于BETA分布的改进深度混合密度网络 |
| 2.3.1 Beta分布及其性质 |
| 2.3.2 改进深度混合密度网络的结构 |
| 2.3.3 数值稳定策略 |
| 2.4 算例分析 |
| 2.4.1 数据介绍 |
| 2.4.2 评价指标与对比方法 |
| 2.4.3 模型设置 |
| 2.4.4 确定性预测结果对比 |
| 2.4.5 概率预测结果对比 |
| 2.4.6 密度泄露对比 |
| 2.4.7 训练时间对比 |
| 2.4.8 讨论 |
| 2.5 结论 |
| 第3章 基于多源时序注意力网络的短期风电功率时序联合不确定性预测 |
| 3.1 引言 |
| 3.2 多源NWP及其时序误差模式 |
| 3.2.1 单源NWP与多源NWP对比 |
| 3.2.2 多源NWP的时序误差模式 |
| 3.3 多源时序注意力网络模型 |
| 3.3.1 问题描述与模型整体框架 |
| 3.3.2 多源变量注意力模块 |
| 3.3.3 残差模块 |
| 3.3.4 时序注意力模块 |
| 3.3.5 混合密度网络模块 |
| 3.3.6 损失函数与训练方法 |
| 3.3.7 各模块间关系 |
| 3.4 算例分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 对比模型介绍 |
| 3.4.3 模型设置 |
| 3.4.4 评价指标 |
| 3.4.5 确定性预测结果分析 |
| 3.4.6 概率预测结果分析 |
| 3.4.7 误差显着性评估 |
| 3.5 小结 |
| 第4章 基于自适应时空图卷积网络的短期风电功率时空联合不确定性预测 |
| 4.1 引言 |
| 4.2 自适应时空图卷积 |
| 4.2.1 问题定义 |
| 4.2.2 自适应时空图卷积网络整体框架 |
| 4.2.3 多位置-多源变量注意力模块 |
| 4.2.4 时空特征提取模块 |
| 4.2.5 时空混合密度网络模块 |
| 4.2.6 损失函数和优化方法 |
| 4.3 算例分析 |
| 4.3.1 数据与评价准则 |
| 4.3.2 对比模型介绍 |
| 4.3.3 模型设置 |
| 4.3.4 确定性预测结果 |
| 4.3.5 不确定性预测结果 |
| 4.4 讨论 |
| 4.5 小结 |
| 第5章 考虑数据保护的超短期风电功率时空联合不确定性预测 |
| 5.1 引言 |
| 5.2 SPLIT LEARNING |
| 5.3 分割网络-SPLITNN |
| 5.3.1 网络模型结构 |
| 5.3.2 客户端与服务端训练过程 |
| 5.4 算例分析 |
| 5.4.1 数据描述 |
| 5.4.2 评价指标 |
| 5.4.3 SplitNN与单区域建模方案对比 |
| 5.4.4 SplitNN与集中式方案对比 |
| 5.4.5 讨论 |
| 5.5 小结 |
| 第6章 结论与展望 |
| 6.1 论文总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（2）基于GAN和GRU的时间序列预测和填补方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 研究现状 |
| 1.2.1 时间序列预测方法研究现状 |
| 1.2.2 缺失值处理方法研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文组织结构 |
| 2 相关研究基础 |
| 2.1 时间序列预测 |
| 2.2 前馈神经网络 |
| 2.3 循环神经网络 |
| 2.3.1 长短时记忆神经网络 |
| 2.3.2 门控神经网络 |
| 2.4 生成式对抗网络 |
| 2.4.1 经典生成对抗网络 |
| 2.4.2 生成对抗网络的改进形式 |
| 2.5 本章小结 |
| 3 GAN-G时间序列预测模型 |
| 3.1 引言 |
| 3.2 时间序列预测方法 |
| 3.2.1 时间序列特性 |
| 3.2.2 时间序列预测方法 |
| 3.3 GAN-G时间序列预测方法 |
| 3.3.1 模型整体架构 |
| 3.3.2 生成器架构 |
| 3.3.3 判别器架构 |
| 3.3.4 时间序列预测算法 |
| 3.4 实验及分析 |
| 3.4.1 实验环境 |
| 3.4.2 数据集 |
| 3.4.3 评测指标 |
| 3.4.4 对比方法 |
| 3.4.5 实验结果及分析 |
| 3.5 本章小结 |
| 4 GAN-BG时序数据缺失值填补模型 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 自编码器 |
| 4.4 时间序列缺失值填补模型GAN-BG |
| 4.4.1 生成器架构 |
| 4.4.2 判别器架构 |
| 4.4.3 时间序列数据缺失值填充 |
| 4.5 实验结果及分析 |
| 4.5.1 数据集 |
| 4.5.2 评测指标 |
| 4.5.3 对比方法 |
| 4.5.4 实验结果及分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 主要研究内容 |
| 5.2 研究内容展望 |
| 致谢 |
| 参考文献 |
（4）基于信号分解的LSTM/BILSTM-ARMA模型对山西省流感的预测效果研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 常用缩写词中英文对照表 |
| 前言 |
| 第一部分 山西省流感的时间特性分析 |
| 1 材料与方法 |
| 1.1 资料来源 |
| 1.2 研究方法 |
| 1.3 统计分析 |
| 2 结果 |
| 2.1 山西省流感样病例监测概况 |
| 2.2 山西省流感的时间分布特征 |
| 2.3 山西省流感时序数据的特性分析 |
| 第二部分 基于信号分解的组合模型预测效果研究 |
| 1 资料与方法 |
| 1.1 数据来源 |
| 1.2 研究方法 |
| 1.3 统计分析 |
| 2 结果 |
| 2.1 基本单一模型预测 |
| 2.1.1 ARIMA模型 |
| 2.1.2 LSTM 和 BILSTM 模型 |
| 2.1.3 ARIMA、LSTM、BILSTM预测性能比较 |
| 2.2 信号(时间序列)分解 |
| 2.2.1 小波变换(WT) |
| 2.2.2 奇异谱分解(SSA) |
| 2.2.3 经验模态分解(EMD) |
| 2.3 基于信号分解的预测模型 |
| 2.3.1 基于信号分解的单一预测模型 |
| 2.3.2 基于信号分解的组合预测模型 |
| 讨论 |
| 结论 |
| 参考文献 |
| 综述 深度学习及分解集成方法在传染病预测中的应用 |
| 参考文献 |
| 附录 各项模型预测结果 |
| 致谢 |
| 个人简介 |
（5）基于深度学习的海洋环境时空预测方法（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 术语缩写表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时空缺失数据补全 |
| 1.2.2 时间序列预测 |
| 1.2.3 海洋时空预测 |
| 1.2.4 现有研究存在问题与不足 |
| 1.3 研究目的和内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 研究区域与数据概况 |
| 1.4.1 浙江近岸海域浮标监测 |
| 1.4.2 北太平洋年际涛动 |
| 1.5 论文组织与章节安排 |
| 2 基于MC-MVL模型的海洋时空缺失数据补全方法 |
| 2.1 混合视图构建 |
| 2.1.1 时间-参数视图 |
| 2.1.2 空间-参数视图 |
| 2.1.3 时间-空间视图 |
| 2.2 多视图学习 |
| 2.3 MC-MVL模型 |
| 2.4 实验与分析 |
| 2.4.1 实验设置 |
| 2.4.2 相关性分析 |
| 2.4.3 多种数据缺失率补全 |
| 2.4.4 多种数据缺失模式补全 |
| 2.4.5 时序预测性能对比 |
| 2.5 本章小结 |
| 3 基于SGRU模型的海洋环境时间序列预测方法 |
| 3.1 时序分解 |
| 3.2 循环神经网络 |
| 3.3 SGRU预测模型 |
| 3.4 连续预测策略 |
| 3.5 实验与分析 |
| 3.5.1 评估指标 |
| 3.5.2 历史步数探索 |
| 3.5.3 多尺度时间序列连续预测 |
| 3.5.4 算法对比 |
| 3.6 本章小结 |
| 4 基于GConvGRU模型的海洋环境时空预测方法 |
| 4.1 迟滞相关性分析 |
| 4.2 时空预测模型构建 |
| 4.2.1 预测框架设计 |
| 4.2.2 梯度信息提取 |
| 4.2.3 GConvGRU网络结构 |
| 4.3 连续预测策略 |
| 4.4 实验与分析 |
| 4.4.1 时空特征图 |
| 4.4.2 单步预测 |
| 4.4.3 连续预测 |
| 4.4.4 算法对比 |
| 4.5 本章小结 |
| 5 基于GSTEN模型的海洋环境时空预测方法 |
| 5.1 嵌入理论基础 |
| 5.1.1 Takens嵌入定理 |
| 5.1.2 广义嵌入定理 |
| 5.1.3 随机分布嵌入 |
| 5.2 地理时空嵌入 |
| 5.2.1 地理层 |
| 5.2.2 地理时空转换 |
| 5.3 深度回声状态网络 |
| 5.4 GSTEN网络 |
| 5.5 实验与分析 |
| 5.5.1 时间多尺度预测 |
| 5.5.2 不同观测变量可预测性 |
| 5.5.3 不同类型算法对比 |
| 5.6 本章小结 |
| 6 结论及展望 |
| 6.1 研究总结 |
| 6.2 研究特色与创新 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历 |
（6）基于时间序列分析的山东大葱价格预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景与研究意义 |
| 一 研究背景 |
| 二 研究意义 |
| 第二节 国内外研究现状 |
| 一 时间序列预测法研究现状 |
| 二 智能预测法研究现状 |
| 三 组合预测法研究现状 |
| 四 文献述评 |
| 第三节 研究内容与研究方法 |
| 一 研究内容 |
| 二 研究方法与技术路线图 |
| 第四节 研究创新点 |
| 第二章 山东大葱价格波动特征及影响因素分析 |
| 第一节 时间序列 |
| 一 时间序列定义 |
| 二 时间序列数据收集及处理 |
| 第二节 山东大葱价格波动特征 |
| 一 趋势性 |
| 二 周期性 |
| 三 季节性 |
| 四 不规则性 |
| 五 空间结构性 |
| 第三节 山东大葱价格波动主要影响因素 |
| 一 供给因素 |
| 二 需求因素 |
| 三 其他因素 |
| 第四节 本章小结 |
| 第三章 基于时间序列模型的山东大葱价格预测 |
| 第一节 时间序列方法 |
| 一 ARIMA模型 |
| 二 ARCH类模型 |
| 三 建模方法 |
| 第二节 时间序列方法建模 |
| 一 ARIMA模型的构建 |
| 二 ARIMA-EGARCH模型的构建 |
| 第三节 本章小结 |
| 第四章 基于神经网络模型的山东大葱价格预测 |
| 第一节 人工神经网络方法 |
| 一 人工神经网络 |
| 二 神经网络在时间序列预测中的优势 |
| 三 LSTM神经网络 |
| 第二节 LSTM神经网络建模 |
| 第三节 本章小结 |
| 第五章 基于多尺度模型的山东大葱价格预测 |
| 第一节 多尺度方法 |
| 一 经验模态分解 |
| 二 集合经验模态分解 |
| 第二节 EEMD实证分析 |
| 第三节 基于EEMD的组合预测建模 |
| 一 原理 |
| 二 模型的建立 |
| 第四节 本章小结 |
| 第六章 研究结论与对策 |
| 第一节 预测效果对比 |
| 一 多种模型综合预测效果 |
| 二 EEMD-LSTM-AR模型预测效果 |
| 第二节 研究结论 |
| 一 多元化的数据收集技术可以实现价格的高效整合 |
| 二 EEMD-LSTM-AR模型预测效果精准 |
| 三 自然灾害、商贩炒作对大葱价格合理预测的影响不容忽视 |
| 第三节 对策建议 |
| 一 设立专门的大葱价格数据多元化收集系统,实现信息融合 |
| 二 构建山东大葱价格预测预警系统 |
| 三 注重数据平台人才培养以及农民培训 |
| 第四节 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（7）基于报废量预测的汽车回收站多目标选址方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、目的与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 报废汽车回收现状 |
| 1.2.2 报废汽车逆向物流问题研究现状 |
| 1.2.3 报废汽车回收站选址问题研究现状 |
| 1.2.4 我国报废汽车回收站选址问题研究的不足 |
| 1.3 论文的主要内容及论文结构 |
| 1.3.1 研究的主要内容 |
| 1.3.2 论文结构 |
| 1.4 本章小结 |
| 2 区域汽车报废量预测 |
| 2.1 区域汽车报废量预测问题描述 |
| 2.2 区域汽车报废量预测问题分析 |
| 2.2.1 汽车保有量影响因素分析 |
| 2.2.2 汽车报废率影响因素分析 |
| 2.3 区域汽车报废量神经网络预测模型 |
| 2.3.1 BP神经网络基本原理 |
| 2.3.2 报废量神经网络预测模型建立与实现 |
| 2.4 区域汽车报废量组合时序预测模型 |
| 2.4.1 经典时序预测模型 |
| 2.4.2 人工鱼群算法 |
| 2.4.3 报废量组合时序预测模型建立与实现 |
| 2.5 本章小结 |
| 3 报废汽车回收站多目标选址模型 |
| 3.1 报废汽车回收站多目标选址问题描述 |
| 3.2 报废汽车回收站多目标选址问题分析 |
| 3.2.1 成本分析 |
| 3.2.2 服务覆盖率分析 |
| 3.3 报废汽车回收站多目标选址模型构建 |
| 3.3.1 模型构建假设 |
| 3.3.2 模型变量及参数 |
| 3.3.3 模型建立 |
| 3.4 本章小结 |
| 4 报废汽车回收站多目标选址问题的算法求解 |
| 4.1 多目标优化相关理论基础 |
| 4.1.1 多目标优化问题 |
| 4.1.2 NSGA-II算法基本原理 |
| 4.1.3 禁忌搜索算法基本原理 |
| 4.2 NSGA-II-TS混合算法 |
| 4.2.1 NSGA-II-TS混合算法参数设计 |
| 4.2.2 NSGA-II-TS混合算法流程 |
| 4.3 本章小结 |
| 5 实例分析 |
| 5.1 研究案例简介 |
| 5.2 案例数据准备 |
| 5.2.1 城市基本信息 |
| 5.2.2 数据准备 |
| 5.3 大连市各地区汽车报废量预测 |
| 5.4 大连市报废汽车回收站多目标选址结果 |
| 5.5 结果分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 附录 A 汽车报废量各预测模型结果 |
| 附录 B 报废汽车回收站备选点及需求点信息 |
| 致谢 |
（8）基于多源异构数据的股价趋势预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 研究内容和技术路线 |
| 1.4 主要创新点 |
| 2 相关研究与文献综述 |
| 2.1 股价趋势预测相关金融学理论 |
| 2.1.1 有效市场假说 |
| 2.1.2 行为金融学理论 |
| 2.1.3 适应性市场假说 |
| 2.2 基于时序数据的股价趋势预测研究综述 |
| 2.2.1 金融时序数据来源 |
| 2.2.2 基于计量经济学模型的股价趋势预测相关研究 |
| 2.2.3 基于深度学习模型的股价趋势预测相关研究 |
| 2.3 基于文本数据的股价趋势预测研究综述 |
| 2.3.1 金融文本数据来源 |
| 2.3.2 金融文本表示方法 |
| 2.3.3 基于文本数据的股价趋势预测相关研究 |
| 2.4 文献小结 |
| 3 基于多源异构数据的股价趋势预测理论基础 |
| 3.1 多源异构数据融合理论 |
| 3.1.1 相关概念 |
| 3.1.2 融合层次 |
| 3.2 深度学习模型 |
| 3.2.1 全连接神经网络 |
| 3.2.2 循环神经网络 |
| 3.2.3 卷积神经网络 |
| 3.3 基于多源异构数据的股价趋势预测技术框架 |
| 3.3.1 技术框架的结构 |
| 3.3.2 任务形式化 |
| 3.3.3 评价指标 |
| 3.4 本章小结 |
| 4 融合多源行业时序数据的股价趋势预测研究 |
| 4.1 问题背景 |
| 4.2 行业指数相关性定量分析 |
| 4.2.1 时间序列相似性度量 |
| 4.2.2 行业指数相关性结果及分析 |
| 4.3 融合多源行业时序数据的股价趋势预测模型设计 |
| 4.3.1 任务及相关符号定义 |
| 4.3.2 模型总体结构 |
| 4.3.3 行业相关系数调节模块 |
| 4.3.4 时序特征抽取模块 |
| 4.3.5 交互特征抽取模块 |
| 4.4 实验与结果分析 |
| 4.4.1 研究对象 |
| 4.4.2 数据集划分 |
| 4.4.3 对比实验与参数设置 |
| 4.4.4 实验结果分析 |
| 4.5 本章小结 |
| 5 融合公众情绪数据的股价趋势预测研究 |
| 5.1 问题背景 |
| 5.2 研究对象的选择 |
| 5.3 公众情绪指数构建 |
| 5.3.1 公众情感数据采集与分析 |
| 5.3.2 基于AdaBN的情感分类模型构建 |
| 5.3.3 模型训练与评估 |
| 5.3.4 公众情绪指数构建 |
| 5.3.5 公众情绪指数与股票涨跌幅度的格兰杰因果关系检验 |
| 5.4 金融时序数据特征筛选 |
| 5.4.1 特征重要性排序原理 |
| 5.4.2 金融时序特征重要性排序结果 |
| 5.5 融合公众情绪数据的股价趋势预测模型设计 |
| 5.5.1 任务及相关符号定义 |
| 5.5.2 模型总体结构 |
| 5.5.3 显式核映射模块 |
| 5.6 实验与结果分析 |
| 5.6.1 数据集划分 |
| 5.6.2 对比实验和参数设置 |
| 5.6.3 实验结果分析 |
| 5.7 本章小结 |
| 6 融合新闻事件数据的股价趋势预测研究 |
| 6.1 问题背景 |
| 6.2 融合结构化事件数据的股价趋势预测模型设计 |
| 6.2.1 任务及相关符号定义 |
| 6.2.2 模型总体结构 |
| 6.2.3 数据表示与融合 |
| 6.2.4 基于CCAM的事件特征抽取模块 |
| 6.3 实验与结果分析 |
| 6.3.1 样本来源与分布 |
| 6.3.2 对比试验与参数设置 |
| 6.3.3 实验结果分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 附录A 候选技术指标特征表 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（9）基于深度学习的时间序列预测方法物联网应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于统计学习的预测方法 |
| 1.2.2 基于机器学习的预测方法 |
| 1.2.3 基于深度学习的预测方法 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 时间序列预测相关技术 |
| 2.1 时间序列概述 |
| 2.1.1 时间序列定义 |
| 2.1.2 时间序列特点 |
| 2.1.3 时间序列分类 |
| 2.1.4 时间序列预测问题 |
| 2.2 IoT时间序列概述 |
| 2.2.1 IoT数据采集 |
| 2.2.2 IoT时间序列特征 |
| 2.2.3 IoT时间序列数据预处理 |
| 2.3 深度神经网络理论 |
| 2.3.1 神经元 |
| 2.3.2 前向神经网络 |
| 2.3.3 反向传播神经网络 |
| 2.3.4 卷积神经网络 |
| 2.4 本章小结 |
| 第三章 基于LSTM特征融合的奶牛发情预测 |
| 3.1 引言 |
| 3.2 基于NB-IoT的奶牛发情监控系统 |
| 3.3 基于LSTM特征融合的奶牛发情预测 |
| 3.3.1 长短期记忆网络 |
| 3.3.2 奶牛发情预测框架 |
| 3.4 实验评估 |
| 3.4.1 数据集描述 |
| 3.4.2 评估指标 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于多组件时空图卷积网络的交通流预测 |
| 4.1 引言 |
| 4.2 交通流量预测 |
| 4.3 时空图卷积网络 |
| 4.3.1 图卷积神经网络 |
| 4.3.2 ST-GCN基础预测网络 |
| 4.4 基于多组件ST-GCN网络的交通流量预测框架 |
| 4.4.1 MCST-GCN预测框架 |
| 4.4.2 WMCST-GCN预测框架 |
| 4.5 实验评估 |
| 4.5.1 数据集描述 |
| 4.5.2 数据处理 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（10）基于深度学习的风电滚动轴承故障诊断与预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 国内研究现状及发展趋势 |
| 1.2.2 国外研究现状及发展趋势 |
| 1.3 主要研究内容与章节安排 |
| 第二章 基于改进CNN的风电轴承故障诊断策略 |
| 2.1 引言 |
| 2.2 深度学习常见问题 |
| 2.2.1 梯度消失 |
| 2.2.2 过拟合 |
| 2.2.3 计算量大 |
| 2.3 CNN基本理论 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 目标函数 |
| 2.3.5 CNN的训练 |
| 2.4 模型评价指标 |
| 2.5 改进的CNN模型 |
| 2.5.1 批归一化 |
| 2.5.2 改进CNN的结构 |
| 2.5.3 改进CNN的训练 |
| 2.5.4 基于改进CNN的故障诊断流程 |
| 2.6 基于改进CNN的轴承故障诊断 |
| 2.6.1 实验数据 |
| 2.6.2 CNN模型的结构与参数 |
| 2.6.3 泛化性验证 |
| 2.6.4 特征降维可视化 |
| 2.6.5 鲁棒性验证 |
| 2.7 本章小结 |
| 第三章 基于贝叶斯优化的CNN超参数优化策略 |
| 3.1 引言 |
| 3.2 贝叶斯优化原理与应用 |
| 3.2.1 贝叶斯优化器 |
| 3.2.2 概率代理模型 |
| 3.2.3 采集函数 |
| 3.3 贝叶斯优化CNN模型 |
| 3.3.1 贝叶斯优化流程 |
| 3.3.2 基于贝叶斯优化CNN的故障诊断策略 |
| 3.3.3 贝叶斯优化结果与分析 |
| 3.3.4 泛化性和鲁棒性验证 |
| 3.4 本章小结 |
| 第四章 基于双层LSTM的故障预测策略 |
| 4.1 引言 |
| 4.2 RNN基本理论 |
| 4.2.1 RNN的结构 |
| 4.2.2 RNN的梯度消失与梯度爆炸 |
| 4.3 LSTM基本理论 |
| 4.3.1 LSTM自循环 |
| 4.3.2 LSTM的门结构 |
| 4.3.3 LSTM的训练 |
| 4.4 双层LSTM模型 |
| 4.4.1 LSTM模型 |
| 4.4.2 Adam算法 |
| 4.4.3 基于双层LSTM模型的故障预测模型 |
| 4.5 实验验证 |
| 4.5.1 实验数据集 |
| 4.5.2 用于时序预测的LSTM |
| 4.5.3 序列到序列分类的LSTM |
| 4.5.4 故障预测实验结果 |
| 4.6 本章小结 |
| 第五章 基于CNN-LSTM的剩余寿命预测策略 |
| 5.1 引言 |
| 5.2 剩余寿命 |
| 5.2.1 统计学寿命模型 |
| 5.2.2 基于断裂力学的剩余寿命模型 |
| 5.2.3 经验寿命模型 |
| 5.3 滚动轴承全寿命试验平台 |
| 5.4 基于CNN-LSTM的剩余寿命预测模型 |
| 5.4.1 CNN-LSTM模型 |
| 5.4.2 实验数据预处理 |
| 5.4.3 剩余寿命预测 |
| 5.5 本章小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
四、经济增长非线性时序预测方法研究（论文参考文献）
- [1]风电功率时空不确定性预测方法研究[D]. 张浩. 华北电力大学(北京), 2021
- [2]基于GAN和GRU的时间序列预测和填补方法研究[D]. 王旭磊. 西安理工大学, 2021(01)
- [3]数据特征驱动的煤电产能过剩预测预警模型构建及实证研究[D]. 毛锦琦. 中国矿业大学, 2021
- [4]基于信号分解的LSTM/BILSTM-ARMA模型对山西省流感的预测效果研究[D]. 翟梦梦. 山西医科大学, 2021(01)
- [5]基于深度学习的海洋环境时空预测方法[D]. 覃梦娇. 浙江大学, 2021
- [6]基于时间序列分析的山东大葱价格预测研究[D]. 马小菁. 烟台大学, 2021(12)
- [7]基于报废量预测的汽车回收站多目标选址方法研究[D]. 李亚钊. 大连理工大学, 2021(01)
- [8]基于多源异构数据的股价趋势预测研究[D]. 刘素辉. 北京科技大学, 2021(08)
- [9]基于深度学习的时间序列预测方法物联网应用研究[D]. 潘琳. 北京邮电大学, 2021(01)
- [10]基于深度学习的风电滚动轴承故障诊断与预测[D]. 常淼. 江南大学, 2021(01)