PCC-BiLSTM-GRU-Attention组合模型预测方法

作者：高凯悦^*; 牟莉; 张英博

来源：计算机系统应用, 2022, 31(07): 365-371.

DOI：10.15888/j.cnki.csa.008580

• 相关系数
• 双向长短期记忆神经网络
• 门控循环单元网络
• 注意力机制
• 多元时间序列
• 深度学习

传统预测模型在处理多元时间序列时,常常难以捕捉其非线性动力系统的复杂变化规律导致预测精度较低.针对此问题,本文将PCC-BiLSTM-GRU-Attention组合模型的预测方法进行了探讨和验证.该方法首先使用Pearson相关系数(PCC)进行相关性检验并删除无关特征,实现了对多元数据的降维选优.其次使用双向长短期记忆神经网络(BiLSTM)双向提取时序特征.最后使用GRU神经网络融合注意力机制(Attention),进一步学习双向时序特征的变化规律,精准捕捉关键时刻的信息.为了验证该方法在多元时间序列中的可行性,本文以股票价格预测作为实验场景,并与BP模型、LSTM模型、GRU模型、BiLSTM-GRU模型、BiLSTM-GRU-Attention模型进行对比.验证结果表明:本文探讨的PCC-BiLSTM-GRU-Attention组合模型的预测方法相比其他模型具有较高的预测精度,其平均绝对百分比误差(MAPE)达到了2.484%,决定系数达到了0.966.

• 单位
  西安工程大学