LSTM模型
LSTM模型的相关文献在2016年到2022年内共计303篇,主要集中在自动化技术、计算机技术、财政、金融、经济计划与管理
等领域,其中期刊论文139篇、专利文献147344篇;相关期刊114种,包括中国管理信息化、情报理论与实践、现代情报等;
LSTM模型的相关文献由1087位作者贡献,包括李夫忠、杜红梅、杨阳等。
LSTM模型—发文量
专利文献>
论文:147344篇
占比:99.91%
总计:147483篇
LSTM模型
-研究学者
- 李夫忠
- 杜红梅
- 杨阳
- 刘明月
- 张亮
- 张磊
- 李建宁
- 李强
- 李旭
- 王东
- 肖龙飞
- 郑真
- 魏汉迪
- 黄一楠
- 于清华
- 于长虹
- 仁庆道尔吉
- 任春华
- 何一明
- 侯彪
- 全思博
- 全燕鸣
- 兰云飞
- 刘挺
- 刘晓锋
- 刘晶晶
- 刘洋
- 刘洪波
- 刘玲君
- 刘菲
- 刘静
- 加鹤萍
- 包竹
- 卢文宇
- 叶秀眺
- 吉哲
- 吴宏扬
- 吴志雄
- 吴振豪
- 周永利
- 周芳
- 周镒
- 唐小勇
- 夏文涛
- 夏梦
- 夏雅楠
- 姚振杰
- 孙家广
- 孙胜利
- 孟芸
-
-
郭睿;
黄张裕;
王尚祺;
孙瑞
-
-
摘要:
变形监测是工程安全监测必不可少的工作,高精度的变形预测预报能够为安全监测提供变形预警。随着对人工智能模型的深入研究,利用神经网络模型对变形时序数据进行预报的研究也逐渐增多。为研究神经网络模型在变形预测中的效果,将结合CEEMDAN的LSTM模型应用在滑坡变形预报中,通过实验比较其与单一LSTM模型、传统的ARMA模型以及Kalman滤波模型在变形预报中的精度。实验结果表明,结合CEEMDAN的LSTM模型的预报精度明显优于其他模型,预测值与测量值的偏差在2 mm以内,平均相对误差为0.59%,模型效果较好。
-
-
任梦;
孟勇
-
-
摘要:
得益于互联网的快速发展和数据收集技术的进步,社交网络文本为投资者文本情绪的度量提供了新渠道。目前,关于文本情绪分析的研究主要基于单个文本,而基于单位时间内多文本和多用户相融合的研究较少。文章将多文本信息、用户社交信息与情绪时间序列相结合,提出时间和用户双重注意力机制下长短期记忆网络(LSTM)模型,对投资者文本情绪度量指标进行分类和预测。采用该模型对来自东方财富网行业吧的真实数据进行实证分析,并同词汇分类字典法和时间注意力机制下的LSTM进行比较,证明了所提模型的有效性。
-
-
郭亚杰;
纪淑娟;
曹宁;
赵金升
-
-
摘要:
随着社交媒体行业的快速发展,便捷的信息获取方式为虚假新闻的产生和传播创造了有利条件,虚假新闻的大范围传播对社会稳定具有极大的破坏性。针对虚假新闻的文本内容进行研究,提出一种融合BERT模型和LSTM模型的虚假新闻检测模型BtLSTM,同时考虑句子的语义表示和句子之间的长距离依赖关系。首先通过BERT模型对社交媒体新闻文本进行全面的语义表示,然后将获取的语义特征输入到LSTM模型中进行学习,最后通过Soft⁃max层进行虚假新闻的检测。实验结果表明,单独的BERT模型检测性能比FastText模型提高了4.58%;BtCNN模型的检测性能比基于Word2vec的CNN模型提高了0.91%;与以上模型相比,BtLSTM模型表现最佳,检测性能指标F1值高达92.15%。在真实数据集上的实验结果表明,BtLSTM能够更好地表示虚假新闻的语义信息,具有较好的虚假新闻检测性能。
-
-
邱冬阳;
丁玲
-
-
摘要:
以2010—2019年的沪深300股指期货为对象,收集日收盘价、5分钟收盘价,以及影响波动的5维度89个指标,采用维度删减、间隔采样方法,组合成多个不同维度和不同频率的LSTM深度学习模型对沪深300股指期货进行预测,并且从空间和时间角度分析维度和频率对股指期货价格波动的影响。研究表明:LSTM模型可以很好地描绘沪深300股指期货多维高频数据的特征;空间上,变量维度对沪深300股指期货价格的预测带来间接影响,预测精度最高的出现在10至20个交易日区间;时间上,数据频率的影响更为直接,频率越高预测精度越高。研究结论有助于股指期货参与各方分散和化解金融风险。
-
-
翟梦梦;
王旭春;
任浩;
全帝臣;
李美晨;
陈利民;
仇丽霞
-
-
摘要:
目的 探讨基于keras的LSTM模型和SARIMA模型预测我国北方省份流感样病例数的可行性,为流感防控工作提供合理的预测方法。方法 利用国家流感中心2013-2019年北方省份的周流感监测数据构建LSTM模型和SARIMA模型,并进行预测。采用平均绝对误差(MAE)、均方根误差(RMSE)评价两种模型的预测效果。结果 LSTM、SARIMA模型的MAE值分别为304.19、352.74,RMSE值分别为398.71、521.07;相比之下,LSTM模型的预测性能优于SARIMA,较SARIMA模型预测性能分别提高了13.76%、23.5%。结论 基于Keras的LSTM模型的预测效果较好,优于SARIMA模型,可为流感预测提供科学依据。
-
-
方义秋;
卢壮;
葛君伟
-
-
摘要:
由于金融市场的复杂性和多变性,当前模型尚不能完全覆盖股票走势影响因素的方方面面,在预测精度方面还存在改进空间。基于此,提出了一种联合RMSE损失LSTM-CNN(long short-term memory-convolutional neural networks)的方法。该方法创新性地通过联合两个模型的RMSE损失函数,融合了LSTM学习长期时间序列依存关系的优点和CNN提取数据中深层特征的优点。在训练数据端通过将同一数据分为两种不同的表现形式,即股票时序数据和股票图像数据,使联合模型中的每个分支发挥最大的作用。为了证明该模型的可行性,建立BP(back propagation)、LSTM、CNN和LSTM-CNN融合模型作为对比。通过浦发银行、沪深300指数和上证综指三个数据集上的实验结果,得出所提联合RMSE损失LSTM-CNN模型,在预测效果上具有良好的可行性和普适性的结论。
-
-
贾宏云;
刘永红;
巴桑卓玛;
宋雅萍
-
-
摘要:
随着我国经济的高速发展,地方国库库存余额显著性增强,为更好预测国库库存未来余额,提高库存资金使用价值,发挥现金管理操作效能,实验采用LSTM时间序列模型对西藏全辖近5年库存日度余额数据集进行训练与测试,实验结果表明,该模型在训练集和测试集上评价决定系数R^(2)(R-Square)分别达到了0.967和0.963,预测效果较好,对推动国库现金管理的长效发展具有一定的参考意义。
-
-
李永政
-
-
摘要:
文章针对我国人均国内生产总值和三次产业的就业结构之间的关系进行了分析和研究,并利用长短期记忆网络(LSTM)模型进行了拟合,大大提高了拟合精度。该模型基于时间序列数据对就业结构进行了研究,总结出我国三次产业就业结构发展的一般规律,并对我国未来一段时间内就业结构的发展趋势作出了预测。
-
-
-
王凤武;
张晓博;
阎际驰;
吉哲
-
-
摘要:
港口作为海上和陆地连接重要的交通物流枢纽,地位显著,而集装箱物流作为港口物流重要的组成部分,已成为评价一个港口地位的重要指标,科学准确的港口集装箱吞吐量预测对港口规划、腹地经济研究及科学决策等方面具有重要的意义。集装箱吞吐量数据非常复杂,并且往往具有多重季节性,很难准确预测,为了更加精准的预测港口集装箱吞吐量,本文采用长短期记忆模型(LSTM)来预测上海港集装箱吞吐量,并使用上海港集装箱吞吐量数据用于实证分析,将LSTM模型的预测结果与ARIMA模型的预测结果进行比较。比较结果表明,LSTM模型的预测精度更高。本文所提出的LSTM模型预测集装箱吞吐量不仅促进了深度学习技术在港口预测方面的应用,同时能够在港口生产管理业务中有效帮助港口规划决策。