BriefGPT - AI 论文速递
·
使用 VMD-GARCH-LSTM 模型进行时间序列预测的非线性方法
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的FSDB采样技术，用于水文时间序列预测中的分解模型，避免引入未来信息。在三个站点中，使用该技术的VMD-based混合模型的预测效果比目前最先进的采样技术提高了6.4％至28.8％不等。
🎯
关键要点
- 水文时间序列预测中需要适当预处理非平稳信号，以避免引入未来信息。
- 本文设计了一种新颖的完全逐步分解（FSDB）采样技术，应用于分解模型。
- FSDB采样技术应用于中国国阳和巢湖流域三个不同站点的水位时间序列预测。
- 使用FSDB采样技术的VMD-based混合模型在三个站点的Nash-Sutcliffe Efficiency（NSE）系数分别提高了6.4%、28.8%和7.0%。
- 与目前最先进的采样技术相比，SSA-based实验的NSE系数分别提高了3.2%、3.1%和1.1%。
- 新开发的FSDB采样技术可以提高水位时间序列预测中分解模型的性能。
🏷️
标签
➡️
