基于TG–LSTM神经网络的非完整时间序列预测
陈中林
杨翠丽
乔俊飞
北京工业大学信息学部,计算智能与智能系统北京市重点实验室,智能环保北京实验室,北京市人工智能研究院,北京100124
摘要：针对传统模型对含数据缺失的非完整时间序列预测精度不高的问题,利用长短期记忆(LSTM)神经网络强大的时序建模能力,提出一种带时间门的长短期记忆(TG–LSTM)神经网络.首先,提出一种能同时对输入值在线估计和输出值实时预测的TG–LSTM单元结构;其次,基于TG–LSTM结构设计一种网络的前向传播算法,实现输入填补和输出预测同步进行;然后,建立TG–LSTM神经网络的学习算法来对输入填补和输出预测任务整体训练;最后,通过在Mackey-glass基准数据集,月平均气温数据集和污水处理出水氨氮预测中的实验结果表明:与传统方法相比,TG–LSTM神经网络模型能以更高精度对非完整时间序列进行填补和预测.
关键词：数据缺失非完整时间序列长短期记忆神经网络前向传播算法学习算法
资助基金：国家自然科学基金(61890930–5,62021003,61973010)国家重点研发计划(2021ZD0112302)北京市自然科学基金(4202006)
论文发表日期：2022-05-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：12( 867-878 )
英文信息