【课题推荐发表期刊】

【课题背景】

时间序列预测在工业负荷预测、气象预报、能源管理等领域具有广泛应用。然而，现有方法在处理不同时间尺度的数据时，常面临精度不足和模型泛化能力差等问题。

本研究旨在通过改进深度学习模型，开发适用于长、中、短期时间序列预测的方法，其核心意义在于通过优化深度学习模型，提高时间序列预测的准确性和稳定性，为相关领域提供更加可靠的预测工具。

【课题方向参考】

• 模型结构改进：提出一种改进的深度学习模型结构，能够更好地适应长、中、短期时间序列数据的特点，提高预测精度。

• 多尺度预测：开发一种综合考虑不同时间尺度的预测方法，实现长、中、短期预测的统一框架。

• 优化训练策略：引入注意力机制、自适应学习率等技术，优化模型的训练过程，提高模型的泛化能力和稳定性。

【适合人群】

计算机科学、控制科学与工程等相关专业的硕士研究生，要求了解机器学习相关知识，熟悉matlab或python。

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

张老师，毕业并就职于国内211重点高校，博士

• 担任Applied intelligence Applied energy TII，IEEE Transactions on Instrumentation and Measurement，Energy审稿人；

• 研究方向：人工智能、计算机、大数据；

• 以第一作者身份，在行业顶尖期刊/会议上发表7篇高质量论文，其中4篇一区TOP，包括Journal of cleaner production，Applied intelligence，The journal of supercomputing等

• 具备丰富的英文写作经验和学术指导经验；熟练使用matlab, python

【课题安排】

研究周期预估六个月左右，具体视学员情况调整

【推荐阅读】

• 2024 基于 VMD-LSTM-SVR 的 IGBT 寿命特征时间序列预测