课程
计算机科学-基于改进深度学习模型的时间序列预测方法研究
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。
工科
SCI/CCF
人工智能
深度学习模型
时间序列预测
申请匹配
咨询客服【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】