注意力机制的长短时记忆神经网络航线订座需求预测

针对航线订座需求预测中存在的预测结果不稳定,偏差较大的问题,提出了一种基于注意力机制 的长短时记忆神经网络(Long Short-term Memory Neural Network,LSTM)航线订座需求预测模型。首先, 对采集得到的航线订座需求数据进行数据清洗与指标计算处理,接着,对处理后的指标数据基于注意力机 制做权重分配,然后进行 LSTM 航线订座需求预测模型的建立,从而得到航线订座需求的最终预测结果 值。将训练优化得到的模型应用于国内某航司的航线订座需求预测中,计算出预测结果。实验结果表明, 基于注意力机制的 LSTM 航线订座需求预测模型预测精度较高,以厦门-上海为例,预测结果在与真实值 的对比下,平均绝对误差(Mean Absolute Error,MAE)为 13.1,均方根误差(Root Mean Square Error,RMSE) 为 17.2,相比较于移动平均法,指数平滑法,循环神经网络（Recurrent Neural Network,,RNN）,CNN-LSTM 混合模型有较好的预测效果。     

清香型优质烟叶物理特性指标预测分析

探究清香型优质烟叶物理特性指标与生态因子间的定量关系,构建物理特性指标预测模型。选择云南省玉溪市2019-2020年优质烟叶的物理特性指标数据与生态数据（气象、土壤和海拔）,建立多元线性统计预测模型与BP神经网络预测模型,并分析各生态因子对烟叶物理特性指标的相对贡献率;利用均方根误差（Root Mean Square Error,RMSE）与归一化均方根误差（Normalized Root Mean Square Error,NRMSE）对两种预测模型模拟效果进行检验分析。结果显示,气象因子平均相对贡献率明显高于土壤、海拔的相对贡献率,气象因子对清香型优质烟叶物理特性指标尤为重要;统计预测模型的RMSE、NRMSE值均高于神经网络预测模型,神经网络预测模型预测准确性更高。利用统计方法与神经网络构建物理特性指标预测模型,可以为不同生态条件下提升烟叶品质、促进烟叶品质评价智能精准化提供一定的科学理论依据。     

基于VMD-IWOA-LSSVM的短期负荷预测

为提高负荷预测结果的精度,设计了 一种基于VMD-IWOA-LSSVM(Variational Mode Decomposition-Improved Whale Optimization Algorithm-Least Square Support Vector Machine)短期负荷预测模型.先通过变分模态算法将原始负荷数据分解成多个子序列,将分解数据分别输入到经由种群变异策略和邻域搜索延伸策略改进的鲸鱼优化算法优化后的最小二乘支持向量机中,每个子序列的预测结果进行相加,即可得到最终的预测结果.通过仿真对比实验,4月1日和8月1日VMD-WOA-LSSVM的平均绝对百分比误差(MAPE:Mean Absolute Percentage Error)与VMD-WOA-LSSVM 相比,分别下降了 0.17和0.33,证明了 VMD-IWOA-LSSVM 短期负荷预测模型可以有效改善电力负荷预测的准确性.     

基于VMDLSTNet的水质预测模型

针对水质时序预测中存在长期信息和短期信息混合导致预测精度低的问题,采用变分模态分解（Variational Mode Decomposition,VMD）和长短期时间序列网络（Long- and Short-term Time-series network,LSTNet）组合使用以期望解决该问题得出更准确的水质预测。LSTNet网络中使用卷积神经网络（Convolutional Neural Networks,CNN）提取短期局部水质信息,使用循环神经网络（Recurrent Neural Network,RNN）提取长期水质信息,并且通过Skip-RNN利用序列周期特性,提取更长期信息,同时模拟自回归（Autoregressive model,AR）,为水质预测增添线性成分来达到输出能够响应输入尺度变化的目的。采用珠江流域老口站隔日采样的溶解氧数据验证模型效果,结果表明,VMDLSTNet网络处理水质预测问题的能力,不仅优于传统的BP神经网络（Back Propagation Neural Network,BPNN）、支持回归机（Support Vector Regression,SVR）模型,而且优于深度学习中时域卷积网络（Temporal Convolutional Network,TCN）模型、门循环网络（Gate Recurrent Unit,GRU）、增加注意力机制的长短时记忆网络（Long Short-Term Memory Add Attention,LSTM-AT）模型,溶解氧的预测平均绝对误差（Mean Absolute Error,MAE）为0.0931,预测均方误差（Mean Square Error,MSE）为0.0146,预测均方根误差（Root Mean Square Error,RMSE）为0.1208,水质类别的预测准确率为95%。     

基于差分自回归移动平均模型、长短期记忆网络模型及相关模型的无人机俯仰角预测

为了提高无人机俯仰角故障数据处理和预测的精确性和可靠性,避免增加无人机试飞成本,利用长短期记忆网络（Long Short Term Memory,LSTM）、注意力机制+LSTM模型和差分自回归移动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）模型预测无人机试飞俯仰角故障数据。结果表明,ARIMA预测结果：MAE（Mean Absolute Error）=0.35,RMSE（Root Mean Square Error）=0.73,MAPE(Mean Absolute Percentage Error)=23.80%;LSTM模型预测结果：MAE=0.49,RMSE=0.74,MAPE=45.20%;注意力机制+LSTM模型预测结果：MAE=0.17,RMSE=0.53,MAPE=18.93%。可见注意力机制+LSTM模型比其余两种模型更适合于试飞俯仰角的数据预测,以上三种方法对无人机故障数据预测都具有实际意义,有效的预测可以推进自动飞行器和移动机器人的异常检测或外国直接投资研究的最新进展,以进一步提高自动和远程飞行操作的安全性。     

基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

形变监测与预测是对水电站异常情况进行预警和及时采取补救措施的关键。本文提出了一种长短期记忆(LSTM, Long Short-Term Memory)神经网络方法来预测大渡河流域瀑布沟水电站干涉合成孔径雷达(InSAR, Interferometric Synthetic Aperture Radar)的时间序列形变。该方法首先利用多时相干涉合成孔径雷达(MT-InSAR, Multi-temporal Interferometric Synthetic Aperture Radar)技术对2018-2020年瀑布沟水电站的哨兵一号(Sentinel-1)图像进行时间序列形变监测，然后基于时间序列InSAR形变数据采用LSTM神经网络建立了形变预测模型，最终获取瀑布沟水电站的形变速率结果和时序形变的预测结果。结果表明，瀑布沟水电站最大沉降速率达到-34 mm/a-1，LSTM预测模型训练和测试过程中点尺度的均方根误差(RMSE Root Mean Squared Error)和绝对误差平均值(MAE, Mean Absolute Error)最小值分别为2.343 mm和2.010 mm，2.094 mm和1.654 mm。LSTM形变预测模型的预测结果显示2020年5月-9月的累计沉降值将达到71.29 mm。本研究证明了LSTM神经网络是一种有效InSAR时序形变预测方法。同时该模型的预测结果也可用于瀑布沟水电站的形变预警和辅助决策。     

基于用户特征聚类与服务质量预测的推荐方法

随着服务系统中Web服务的不断增加，为用户进行个性化Web服务推荐成为服务计算领域最热门的研究课题之一，然而，服务推荐面临不可靠用户和服务导致推荐的不准确性问题.为了解决上述问题，提出一种基于位置和信誉感知的Web服务推荐方法 .首先采用粒子群优化（Particle Swarm Optimization,PSO）对用户进行聚类，得到相似用户；其次，计算用户和服务的信誉来识别可信的用户和服务；最后，将相似用户和可信服务的信息整合到矩阵分解（Matrix Factorization,MF）中，为用户预测缺失的服务质量（Quality of Service,QoS）.在真实数据集WS-Dream上的实验验证了提出方法的可行性与有效性.与其他先进的预测方法相比，该方法的MAE (Mean Absolute Error)和RMSE (Root Mean Squared Error)较低，证明该方法有较高的预测准确性.     

OFDM系统中基于导频的信道估计最优化分析

近年来,正交频分复用(OFDM)技术已被越来越多的人所关注,并且在IEEE 802.11无线局域网中得到实际应用.在OFDM系统中一般要进行信道估计,从最小平方误差准则(Least Square Error Law)和最小均方误差准则(Minimum Mean Square Error Law)两个方面对基于梳状导频的信道估计方法进行了分析,并给出了仿真结果.结果表明,采用MMSE准则比采用LS准则所得到的误码性能要好.     

基于FCTP模型的Mean shift目标跟踪算法

为了解决目标跟踪过程中的定位偏差问题,本文提出Mean shift算法和拟合曲线轨迹预测模型（FCTP）相结合的目标跟踪算法。首先根据目标已知位置信息,从FCTP模型中选取最优拟合曲线来拟合目标运动轨迹,并得出目标预测位置;然后,利用跟踪窗口自适应的Mean shift算法在预测位置邻域内搜索目标最终位置。实验结果表明,该算法能有效地实现快速运动目标的预测跟踪,保证了跟踪精度。     

PSO-VMD-SVD的改进去噪方法研究

针对VMD(Variational Mode Decomposition)在处理信号时,模态个数K和惩罚参数α的选择会影响信号分解的效果,提出一种改进PSO(Particle Swarm Optimization)优化VMD(PSO-VMD)的算法,通过改进阈值相关系数法选择有效模态分量,根据信号分析对高频噪声进行奇异值去噪重构.对仿真信号和管道泄露信号进行实验,通过选择多个K并结合相关系数法选择模态进行重构,比较不同K对应的重构信号与原信号的信噪比(SNR: Signal to Noise Ratio)、相关系数(CC:Coefficient)、平方绝对误差(SAE: Square Absolute Error)、均方误差(MSE: Mean Square Error)证明改进PSO优化VMD的可靠性.将该方法与改进的PSO-VMD结合豪斯特夫距离和奇异值(HD-SVD: Hustoff Distance-Singular Value Decompositio)、互信息和奇异值(MI-SVD: Mutual Information-Singular Value Decompositio)、相关系数和小波变换(CC-WT: Correlation Coefficient-Wavelet Transform)等方法对比,效果更佳.     

基于主成分分析法的两步子抽样算法及应用研究

针对大数据中高维变量多重共线性问题，结合Logistic模型提出两种基于主成分分析法的两步子抽样算法，分别为基于A-最优准则的最小均方误差(minimum Mean Square Error, mMSE)抽样和基于L-最优准则的最小方差协方差(minimum Variance covariance, mVc)抽样。实证结果表明，相较于随机抽样，mMSE抽样和mVc抽样能大幅降低模型参数估计的均方误差，提升模型的查准率、召回率、F1分数、特异度等分类评价指标。     

基于DFP的二阶Volterra滤波器及其在混沌序列预测中的应用

为克服应用Least Mean Square（LMS）,Normalized LMS（NLMS）或Recursive Least Square（RLS）算法估计二阶Volterra滤波器系数时参数选择不当引起的问题,提出了基于后验误差假设并具有可变收敛因子的Davidon-Fletcher-Powell（DFP）方法的二阶Volterra自适应滤波器（DFPSOVF）．给出参数估计算法中自相关逆矩阵估计的递归更新公式,并对算法的计算复杂度进行了分析．应用DFPSOVF滤波器对纯净和不同信噪比下的Lorenz混沌时间序列以及实际采集的具有混沌特性的温度时间序列进行单步预测,仿真表明其能够保证算法的稳定性和收敛性,不存在LMS算法和NLMS算法的发散问题．     

基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果

准确识别地层注水情况是油田开发的重要前提，对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水，提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法，该方法首先将卷积神经网络(convolutional neural network，CNN)和双向长短期记忆网络(bidirection long short-term memory，BiLSTM)进行联合，用于捕获注水流量的复杂非线性时空关系，然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题，提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验，研究结果表明，本研究中提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(Mmean absolute error，MAE)、均方根误差(root mean square errorRoot Mean Square Error, RMSE)、平均绝对百分比误差(mean absolute percentage errorMean Absolute Percentage Error，MAPE)和决定系数(Ccoefficient of Ddetermination，R2)MAE、RMSE、MAPE 和R2 分别为0.027、0.043、9.936和0.968，通过多种模型对比，表明该方法具有较高的预测精度，可以更准确地预测注水流量。此外，研究还证实，采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据，从而为油田智能化开发提供理论依据。     

基于改进多重Toeplitz矩阵重构算法的二维DOA估计

针对相干信号源在二维波达方向（2-Dimensional Direction-of-arrival, 2D-DOA）估计中，多重Toeplitz矩阵重构方法在小信噪比时估计性能较差的问题，文章采用一种基于时空延迟的多重Toeplitz矩阵重构方法进行二维波达方向估计。该方法选用L型阵列结构，首先利用信号在时域和空间域内的强相关性以及噪声的弱相关性构造时空相关矩阵，然后结合多重Toeplitz矩阵重构方法重构时空延迟的多重Toeplitz矩阵达到去相干的目的，最后利用ESPRIT(Estimating Signal Parameter via Rotational Invariance Techniques)方法进行两次特征分解进而通过自动匹配来得到2D-DOA估计结果。通过在Matlab平台仿真，将该算法与多重Toeplitz矩阵重构算法，前后向空间平滑算法，ESPRIT算法以及前后向部分Toeplitz重构算法基于均方根误差（Root Mean Square Error, RMSE）和分辨概率（Probability of Resolution, POR）进行对比分析。结果表明本文提...     

基于用户相似度的协同过滤算法改进

协同过滤技术作为目前最常见的个性化推荐技术之一,被广泛认可和应用.作为基于内容的算法执行方式,协同过滤在准确性上具有相当的优势.该算法的核心问题是相似度的计算.本论文介绍了传统协同过滤算法,并对原有的相似度公式进行了优化,使得相似度计算更具有准确性.实验表明,文中提出的优化方法在推荐精度上有显著提高,降低了平均绝对误差(Mean Absolute Error,MAE).     

微观轨迹信息驱动的Bi-LSTM合流区车速预测

为明确城市快速路合流区的微观速度特性,确保车辆在衔接段运行速度协调可控,使车辆安全运行。首先,基于无人机高空视频,从广域视角提取了典型多车道交织区全样本高精度车辆轨迹数据,分析车速的累积频率、分布趋势、特征百分位值等运行特性。然后,基于可有效捕捉前向历史速度数据的变化特征的LSTM模型,构建Bi-LSTM车速预测模型;考虑到人工设置训练参数对模型预测性能的影响较大、时间较长,提出基于遗传算法优化的Bi-LSTM速度预测模型(GA-BiLSTM)。最后,以R2、Error Mean、Error StD、MSE、RMSE、NRMSE、秩相关rs这7类评价指标,建立多指标融合的评价方案。结果表明：GA-Bi-LSTM速度预测模型表现较优,拟合指标R2、秩相关rs分别为0.904 6、0.949 5,误差指标Error Mean、Error StD、MSE、RMSE、NRMSE分别为0.004 1、0.447 0、0.199 7、0.446 9、0.076 5。研究成果可为城市快速路的合流区车速调控提供理论依据。     

基于GA-SVM算法永磁同步直线电机变载荷进给位置误差的预测

针对永磁同步直线电机精密进给过程中,受到齿槽效应、端部效应及摩擦力扰动等非线性因素的影响,位置误差难以预测问题,提出了一种基于遗传算法(GA)优化支持向量机(SVM)算法永磁直线电机变载荷位置误差预测模型的方法。通过测量各种情况下永磁直线电机在运动过程中的位置变化情况,利用遗传算法优化支持向量机算法建立预测模型。该模型采用实验台运行的正弦轨迹数据为训练样本,三角波轨迹数据为测试样本。选取各种情形的正弦波轨迹数据和三角波轨迹数据进行仿真预测和验证。以各种情况的正弦波信号的指令位置、指令速度和电流作为模型的输入,以三角波信号的位置误差作为输出。结果表明,经过遗传算法优化支持向量机建立的位置误差预测模型,在拟合和预测精度上要优于未经过算法优化的位置误差预测模型。     

基于数值与文本特征的LSTM股票价格预测研究

行为金融学理论指出，由社交媒体文本数据所折射出的投资者情绪在一定程度上影响着股票市场的波动。为了利用投资者情绪对股票市场作出更准确的预测，本文爬取2020年8月31日至2021年9月1日的沪深300指数股吧评论文本数据，使用基于融合基础情感词典和金融词典的分析方法将评论文本数据量化为投资者情绪指标，并利用长短期记忆（Long short-term memory,LSTM）神经网络构建了融合股票历史交易数据和基于股吧评论的投资者情绪指标的多特征预测模型。实验结果表明，基于数值和文本特征的LSTM股票价格预测模型的平均绝对误差（Mean absolute error,MAE）、均方根误差（Root mean squared error,RMSE）和均方误差（Mean square error,MSE）值较LSTM数值特征预测模型降低了18.84、15.79、1486.54。较GRU(Gated recurrent unit)数值文本特征模型，其MAE、RMSE、MSE值则降低了11.42、10.49、931.75。实验结果表明本文提出的方法可以有效预测股票价格指数。     

改进的协同过滤算法

针对传统的CF(Collaborative Filtering)算法和基于项目评分的CF算法中存在的数据稀疏、扩展性及计算效率低的问题,通过引用评价系数,对其相似性计算和推荐集的选取方法进行了改进,提出了一种改进的基于相关相似性的CF算法,产生更为准确的用户兴趣度预测,从而提高系统推荐的质量与推荐效率.对改进算法进行实验和性能对比与评价的结果表明,改进算法与传统算法相比,能显著提高推荐精度,平均绝对误差(MAE:Mean Absolute Error)为0.53-0.77.     

基于ZC序列的OFDM系统定时同步改进算法

为提高OFDM( Orthogonal Frequency Division Multiplexing) 系统的定时同步精确度,提出了一种改进的基于ZC( Zadoff-Chu) 序列的定时同步算法。该算法将经典的Minn 算法序列的取反方法与Park 算法的序列共轭方法结合,利用良好自相关性且低互相关性的ZC 序列,替代原有的PN( Pseudo-Noise Sequence) 序列,构成新序列结构。改进算法在定时位置发生错误时,仍能保证系统精确进行定时同步。在加性高斯白噪声( AWGN:Additive White Gaussian Noise) 信道,子载波的数量是256,16QAM( Quadrature Amplitude Modulation) 调制和解调下,Matlab 仿真表明改进算法消除了Minn 算法和Park 算法中副峰对定时同步的影响,定时偏差与均方误差( MSE: Mean Square Error) 在信噪比－ 15 ～ 15 dB 内,较于Minn 算法和Park 算法更低,提高了定时精度。信噪比是15 dB 时,改进算法定时均方误差为4． 2 × 10 － 6 ,是估计性能最优状态。