注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于优化SVR模型的大跨度样本疲劳寿命预测

针对传统方法在大跨度、小样本情况下的疲劳寿命预测准确率不高的问题,研究基于优化SVR模型的寿命预测方法.根据大跨度样本的特点,提出有效的预处理方法、SVR模型的训练方法及参数优化准则.以LY12CZ(2A12)铝合金疲劳寿命预测为实例,分析了高斯核函数、多项式核函数及多层感知核函数对SVR模型训练误差的影响.结果表明高斯核函数更适用于SVR模型的训练,并通过细菌觅食算法对核参数γ及惩罚因子C进行优化选取,LY12CZ(2A12)铝合金疲劳寿命预测结果验证了该方法的有效性.     

基于深度学习和支持向量机集成学习的PM2.5浓度24 h预测

提前24 h准确预测PM2.5浓度可以有效的避免严重污染天气对人体带来的不利影响.为了提高深度学习模型PM2.5浓度24 h预测的性能和泛化能力,在传统循环神经网络(RNN)模型上添加支持向量回归(SVR)作为下采样层提取非线性特征并降维;然后添加多核卷积神经网络(CNN)提升特征表达能力;最后利用门控循环网络(GRU...     

基于CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于 KPCA-AGRU 神经网络的火电机组 NO x排放预测

针对火电机组锅炉燃烧过程中预测 NOx 排放过程存在的非线性和时序性特点,提出一种基于核主成分分析 (KPCA)和注意力机制(AM)的门控循环神经网络(GRU)氮氧化物预测模型。 首先选用 KPCA 对模型的输入变量 进行降维,消除冗余变量;其次,将筛选的变量数据作为 GRU 的输入,并采用网格搜索优化 GRU 的超参数;最后, 引入 AM 计算权值,实现区分输入特征功能,提高 NOx 预测模型精度。 通过某 330 MW 电站锅炉实际数据对 AGRU 预测模型仿真验证,并将 AGRU 模型、GRU 模型和 BP 神经网络模型的预测结果进行对比。 结果表明:基于 AGRU 的 NOx 预测模型的均方根误差和平均绝对误差较 BP 神经网络和 GRU 模型均有减少,可精准预测非线性时序燃 烧过程的 NO x 排放。     

基于时间序列分解与门控循环单元的地铁换乘客流预测

为丰富地铁内部换乘客流预测理论,更好地制定地铁运营计划,提出了一种基于时间序列分解方法(STL)与门控循环单元(GRU)的地铁换乘客流预测模型。该模型将预测过程分为3个阶段,第1阶段为原始地铁刷卡数据预处理,采用基于图的深度优先搜索算法识别乘客的出行路径,构建换乘客流时间序列;第2阶段运用STL时间序列分解算法将换乘客流时间序列转化为趋势量、周期量以及余量,并利用3σ原则对余量进行异常值的剔除与填充;第3阶段基于深度学习库Keras,完成GRU模型的搭建、训练及预测。以北京地铁西直门站的换乘客流数据为研究对象,对模型的有效性进行了验证,结果表明：与长短时记忆神经网络(LSTM)、门控循环单元、STL时间序列分解方法与长短时记忆神经网络组合模型(STL-LSTM)相比,STL-GRU组合预测模型可提升工作日(不含周五)、周五、休息日的换乘客流预测精度,预测结果的平均绝对百分比误差至少分别降低了2.3、1.36、6.42个百分点。     

支持向量回归用于氨基酸描述符在肽QSAR建模中的性能评价

采用支持向量回归方法用3个数据集来评价z-scales、c-scales、ISA-ECI、MS-WHIM、PRIN等5个氨基酸描述符在肽QSAR支持向量回归模型构建中的性能并对核函数进行选择,采用留一法交叉检验的结果显示径向基核函数要好于多项式核函数和线性核函数;在以径向基核函数的支持向量回归模型中表明z-scales的预测准确度要略优于其它描述符,且在同一描述符的情况下SVR的预测效果要好于其它线性方法,说明SVR在肽QSAR模型构建中是一个可行的方法.     

基于门控循环单元神经网络的金融时间序列预测

针对循环神经网络(recurrent neural networks,RNN)网络结构存在的长期依赖问题,门控循环单元(gated recurrent unit,GRU)神经网络作为RNN的一种变体被提出。在继承RNN对时间序列优秀记忆能力的前提下,GRU克服了时间序列的长期依赖问题。本文针对金融时间序列数据存在的依赖问题,将GRU扩展应用到金融时间序列预测,提出了基于差分运算与GRU神经网络相结合的金融时间序列预测模型。该模型能够处理金融时间序列数据的复杂特征,如非线性、非平稳性和序列相关性。通过对标准普尔(SP)500股票指数的调整后收盘价进行预测,实验结果表明,所提出的方案能够提高GRU神经网络的泛化能力和预测精度,并且与传统预测模型相比该模型对金融时间序列的预测拥有更好的预测效果和相对较低的计算开销。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于超距雷达数据的车辆跟驰行为分析及建模

针对高速公路车辆跟驰特性及速度预测问题,基于超距雷达数据分析了高速公路车辆跟驰特性,建立起基于长短期记忆（long short term memory,LSTM）的跟驰速度预测模型。首先,根据数据特点建立了处理规则并筛选跟驰序列。其次,根据车身长度将跟驰车划为大型车与小型车,分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后,将前车速度、位置差、上一时刻车头时距作为模型输入,跟驰车速度作为模型输出,构建了基于LSTM的跟驰速度预测模型,模型预测精度达到99.75%。最后,以高速公路数据为例进行验证,传统机器学习支持向量回归（support vector regression,SVR）模型的预测性能低于深度学习模型,LSTM模型的R Square较SVR模型提升了4.37%;作为LSTM的结构简化变体,在相同的结构参数下,门控循环单元（gated recurrent unit,GRU）模型的预测性能并未提升,但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。     

基于人工蜂群优化支持向量机回归的隧道塌方风险预测

为预测隧道塌方风险等级,减少隧道塌方引起的灾害事故,建立基于人工蜂群(artificial bee colony, ABC)优化支持向量机回归(support vector machine regression, SVR)隧道塌方风险预测模型。首先,从工程地质、水文气象、设计因素、施工因素4个方面综合考虑,遴选13个主要影响因素,建立隧道塌方风险指标体系;其次,引入人工蜂群算法优化SVR的核参数C和惩罚参数g,解决传统SVR稳定性低的缺陷,提高模型的精确度,为验证模型性能采用相关系数(R²)、均方误差(mean squared error, MSE)、均方根误差(root mean squared error, RMSE)评价参数对比分析;最后,以新疆北部某供水工程为研究对象,对隧道塌方风险测试样本进行预测,分别将ABC-SVR、PSO-SVR、GA-SVR及SVR模型对比分析。研究结果表明：ABC-SVR预测结果为100%,PSO-SVR预测结果为83.3%,GA-SVR和SVR均为66.67%,ABC-SVR的预测结果与实际工程结果一致性更高,可为隧道塌方风险...     

基于LM-BP和SVR的倾倒变形体变形预测

为了深入了解黄登水电站1号倾倒变形体的变形趋势,采用LM BP神经网络和SVR进行变形预测研究。基于倾倒变形体的实际变形监测资料,对位移、降雨、库水位、温度等资料进行分析,以库水位、降雨量、温度、时间作为输入参数,以位移变形作为输出参数,构建LM BP神经网络模型和SVR模型,对部分监测数据进行（先行学习）训练,对后续的监测数据进行验证预测,预测预报了研究测点的变形情况。分析结果表明,2个模型精度都比较高,LM BP神经网络模型的最大误差为2.53%,SVR模型的最大误差为4.35%,预测方法有效。     

基于粒子群优化-支持向量回归的高速公路短时交通流预测

为实现高速公路短时非线性交通流的精准预测,依托高速公路运营积累的大量数据资源,构建了基于粒子群优化(par-ticle swarm optimization,PSO)的支持向量回归(support vector regression,SVR)预测模型.首先,对获取的高速公路交通流数据进行异常值剔除、缺失值填充以及归一化等预处理;其次,基于SVR算法采用滑动窗口的方式建立预测模型,并基于具有较强寻优能力的PSO优化算法获取SVR模型的最优参数组合;最后,通过京台高速济南西收费站断面交通流数据进行实例验证.模型的预测结果表明,所提出的高速公路短时交通流预测模型能够满足实际需求,且相较反向传播(back propagation,BP)、差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)模型具有较高的准确性,可为日后高速公路运营决策提供理论支持.