科研导师
Jiang老师讲师，清华博士
导师介绍
研究领域：人工智能,无线通信 学术成果：在IEEE Trans等高水平期刊中发表了40多篇SCI和EI索引论文，包括3篇ESI高被引论文和2篇ESI热点论文； 授权发明专利2项； 担任IEEE TNNLS, T-ITS, TGCN, TNSE, TKDE, TWC等期刊和会议审稿人。
基于深度学习的时间序列预测模型研究与应用
- 课题名称
- 基于深度学习的时间序列预测模型研究与应用
- 学科专业
- 课题关键词
- 辅导模式
- 1对1
- 发表目标
- SCI期刊4区
- 课题介绍
- 时间序列预测是数据分析领域的重要研究方向，其通过对历史数据的建模与分析，实现对未来趋势的推断，在金融市场分析、气象预报、能源调度、交通流量管理等关键领域具有广泛应用价值。传统时间序列预测方法（如ARIMA、指数平滑法等）多依赖线性假设与人工特征工程，难以捕捉数据中复杂的非线性关系、长期依赖模式及多变量交互影响，在高维、非平稳数据场景下预测精度受限。 随着深度学习技术的快速发展，以循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）为代表的序列模型，通过动态记忆机制有效缓解了传统模型的梯度消失问题，为处理长期依赖关系提供了新思路；近年来，Transformer模型凭借自注意力机制在捕捉全局依赖上的优势，进一步推动了时间序列预测性能的突破。然而，现有深度学习模型仍面临可解释性不足、对噪声数据鲁棒性弱、小样本场景泛化能力有限等挑战，其在实际复杂场景中的应用落地仍需深入研究。因此，探索高效、稳定且具有强泛化能力的深度学习时间序列预测模型，对提升预测精度、拓展应用边界具有重要的理论意义与实践价值。
导师信息
招生要求
面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。