【ARIMA-LSTM】合差分自回归移动平均方法-长短期记忆神经网络研究（Python代码实现）
欢迎来到本博客❤️❤️
博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
本文目录如下：
目录
1 概述
1.1 ARIMA模型
1.2 LSTM 模型
2 运行结果
3 参考文献
4 Python代码实现
1 概述
1.1 ARIMA模型
差分自回归移动平均模型( ARIMA)元一PE用于各领域的预测模型 17-19],主要包含自回归模型和
移动平均模型2个部分。自回归模型的阶数为p,信号差分的阶数为d ,移动平均模型的阶数为q,因此模型通常表示成ARIMA( p,d ,q) ,具体的数学表达式为:
( 1）对所研究的时间序列数据进行平稳性验证,如果不满足要求,则对其进行d阶差分转换成平稳时间序列。
(2）通过自相关系数图和偏自相关系数图以及贝叶斯信息准则[201确定阶数p和q。
(3)采用确定好阶数的ARIMA( p , d , q）拟合时间序列,并根据预测后的数据和原时间序列进行结果统计和预测精度分析。
1.2 LSTM 模型
LSTM 深度学习算法与递归神经网络( Recurrent Neural Network ，RNN)的不同之处在于前者在后者的基础上加入了细胞状态和门结两个结构[ 16-17]以此来预测太阳能辐照强度,通过对比可发现LSTM模型的表现比时间递归型神经网络和隐马尔科夫模型的表现更好。
传统的RNN在解决时序长相关问题时存在梯度消失和梯度爆炸的问题,而细胞状态的作用是将具体信息连续地传递到RNN上,因此能够有效解决传统RNN存在的问题。ISTM是基于门控制单元结构的深度学习模型,通过遗忘门、输入门和输出门这三种门类型控制传输信息[18]。LSTM神经网络如图1所示,方框内是单个神经元细胞结构, c表示神经元细胞的状态值, h表示神经元细胞的输出值。LSTM 神经网络细胞的结构如图2所示。
2 运行结果
3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]沈露露,梁嘉乐,周雯.基于ARIMA-LSTM的能量预测算法[J].无线电通信技术,2023,49(01):150-156.
[2]岑威钧,王肖鑫,蒋明欢.基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究[J].水资源与水工程学报,2023,34(02):180-185.
[3]王鑫,李安桂,李扬,卜令晨,彭怀午,牛东圣,许晨琛,韩欧.基于ARIMA-LSTM模型的综合能源系统负荷与风光资源预测[J].西安建筑科技大学学报(自然科学版),2022,54(05):762-769.DOI:10.15986/j.1006-7930.2022.05.015.