摘要:
针对某时刻存在异常的序列数据,首先建立添加异常值或干预效应的ARIMA(Autoregressive Inte-grated Moving Average)模型,之后应用LSTM(Long-Short Term Memory)模型对ARIMA模型残差序列进行深度学习.通过对波动较为明显的股票收盘价格日度数据和受"新冠"疫情影响的公路货运量序列数据进行实证分析,证实该模型在对某时刻发生不同程度突变的试验数据进行预测时,能够明显提高预测精度.
关键词:
通讯作者信息:
电子邮件地址: