文章目录
写在前面:吉林大学学报(工学版);主办单位:吉林大学;中文核心期刊
1 摘要
- 提出点:基于注意力机制的多通道长短期记忆网络融合ARIMA算法 预测模型
- 创新点:通过提取长短期 不同时刻重要时间特征,并利用ARIMA时间序列模型 提取线性特征优势 更准确预测土壤温度。
2 结论
- 研究课题:土壤温度预测
- 模型:AT-MC-LSTM模型
- 创新点:LSTM网络 有许多存储单元,随着存储单元数量的增加,时间序列的相关性可能会降低,估计性能可能会受到影响。
因此,本文设计的一种基于注意力机制的、多通道LSTM模型,【这里是不是多头注意力机制】,将LSTM结构中的多单元和ARIMA模型,通过注意力机制 直接连接到输出层。 本模型不仅通过训练,学习确定性成分, 和不同时刻的重要事件特征,还可以通过ARIMA方法捕捉 时间序列数据的 随机成分。
2.1 未来的优化方向
- 对估计模型输入数据进行优化
例如,主成分分析和集合经验模式分解
3 引言
- ARIMA 方法能够估计时间序列数据的随机成分。
- LSTM 网络有许多存储单元时,通常是不能捕捉到单元之间长期的相关性。