摘要
在信息时代，各行各业产生的数据浩如烟海。其中包括大量的时间序列数据，如股票价格走势、温度变化、流量监控等数据。随着机器学习和数据挖掘领域的蓬勃发展，挖掘时序数据的内在信息并依此对未来数据进行预测一直是备受关注的一个研究方向。以往的研究人员已提出许多经典的时序数据预测算法。然而，由于现实中的时序数据具有噪声多、高度非线性及模式复杂等特点，在实际的时序数据预测任务中，如何处理原始数据，构建有效学习时序特征并预测未来数据的算法模型仍然是一个非常有挑战性的问题。 本文旨在开发深度学习算法并将其应用于股票价格预测和视频预测两个时序数据预测任务。股票价格预测基于股票序列数据的特征，对未来股票价格进行预测，是金融领域中极具挑战性的研究任务。有效的股价预测可以帮助交易者规避市场风险，获取更高收益，因此该任务具有很高的研究意义和应用价值。视频预测任务依据过去时刻的视频信息对未来视频帧进行预测，在自动驾驶、智能机器人等领域有广阔的前景。然而如何构建深度学习模型，使其有效地学习视频序列的时序信息和空间信息仍然是一个需要深度探索的问题。 本研究针对时序数据预测的具体任务，构建了新型循环生成对抗网络模型（RecurrentGenerativeAdversarialNetworks,RGANs）。循环生成对抗网络中生成器具有提取时序数据特征，学习数据真实分布的能力，判别器具有判别序列数据真伪的能力，二者通过对抗的训练过程相互优化，实现时序数据的预测。针对股票价格预测任务，本文提出了股票预测循环对抗网络模型（StockPredictionRecurrentAdversarialNetworks,SPRAN），同时使用对抗损失函数和均方误差损失函数作为目标函数优化该模型。SPRAN的生成器通过捕捉过去股票序列数据的时序特征，学习真实的股票数据分布来预测未来股票的价格，而判别器通过区分真实股票序列和生成股票序列，对生成器进行优化。随后本文对视频预测任务进行探索，提出了视频预测循环对抗网络模型（VideoPredictionRecurrentAdversarialNetworks,VPRAN）。VPRAN首先构建能提取视频序列时间特征和空间特征的双向卷积长短期记忆模块，然后结合卷积长短期记忆模块、卷积神经网络等模块设计其生成器和判别器，对未来的视频帧进行预测。 为了验证SPRAN在股票价格预测任务上的有效性，本文从真实的股票市场中构建了五个股票数据集，从金融角度提取与股票价格关系密切的技术指标作为数据特征，并使用滑动窗口法处理训练数据。在实验部分，SPRAN基于一支股票的历史数据对该股票未来的价格预测。实验结果显示与其他股价预测模型对比，SPRAN在该任务的表现更好。随后本文为了评估VPRAN在视频预测任务的表现，在弹跳小球和移动MNIST两个视频数据集上进行实验，同样使用滑动窗口法处理训练数据。VPRAN在实验中探索了模型的最佳训练参数并与相关模型进行对比，实验结果表明VPRAN能有效学习视频序列的时空特征，实现对未来视频帧的准确预测。
NETL