基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

基于经验模态分解和多分支LSTM网络汇率预测

作为一种新型信号变换算法,经验模态分解(empirical mode decomposition, EMD)能够解决傅里叶变换等方法受限于特定基函数的缺陷。本文针对人工神经网络对高频金融时间序列预测准确率不足的问题,结合EMD和韦布尔分布对金融时间序列进行预处理,提出一种基于经验模态分解和多分支长短期记忆网络的分类预测模型,用于从高频金融时间序列中提取有关价格走势的信息并对未来的价格运动趋势做出预测。通过对2009—2012年欧元兑美元汇率时间序列进行预测,实验结果表明,所提出的网络模型可以得到较高的预测准确率和计算速度,并且同普通LSTM网络相比,提高了泛化能力和模型稳定性。     

计及误差修正的VMD-LSTM短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解（variational mode decomposition,VMD）和长短期记忆神经网络（long short-term memory,LSTM）结合的短期负荷预测模型,并使用支持向量回归（support vector regression,SVR）构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。     

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解（VMD）搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。本文提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与LSTM的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization,NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明：该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。     

基于SSA-VMD-LSTM-NKDE的短期风电功率概率预测

为进一步提高风电功率预测精度,提出一种基于麻雀搜索算法(SSA)优化VMD参数的组合预测方法。首先,使用麻雀搜索算法对VMD参数进行优化,并利用优化后的VMD对数据进行分解;其次,结合灰色关联分析法和熵权法对环境变量进行相关性分析,选择相关性最高的影响因素与分解得到的各模态分量组合作为LSTM预测模型的输入,获得更为精确的预测结果;最后,建立基于非参数核密度估计(NKDE)的风电功率概率预测模型,实现对风电功率预测结果不确定性的有效量化。结果表明,所提组合模型的MAE,RMSE和MAPE比VMD-LSTM模型的分别下降了39.51%,33.22%和40.39%。SSA-VMD-LSTM-NKDE组合模型不仅能够有效提高确定性预测的精度,而且还能够实现对风电功率预测结果不确定性的有效量化,为风电功率预测提供了科学决策依据。     

参数优化变分模态分解与LSTM的电力物资需求预测

国家电网物资采购管理水平不断提高,线上采购流程逐步完善,但仍存在由于采购计划预估不准导致招投标过程中,供应商利用招投标总标包机制进行价格博弈而造成电网公司采购成本增加,因此,建立准确有效的电力物资需求预测模型具有重要意义。针对电力物资序列的非稳定性、波动性和间歇性特点,提出一种基于参数优化变分模态分解(variational mode decomposition, VMD)与长短时记忆神经网络(long short-term memory, LSTM)的电力物资需求预测方法,选取国网电商专区平台的典型电力物资,采用鲸鱼优化算法(whale optimization algorithm, WOA)参数优化的VMD对原始序列进行模态分解,将分解获得的各模态分量分别构建LSTM模型,最后将各模态的预测值叠加重构为电力物资的预测值。实验结果表明：所提电力物资需求预测方法较LSTM、EMD-LSTM、VMD-LSTM、PSO-VMD-LSTM、SSA-VMD-LSTM有更高的准确率,对电网物资采购预测具有一定实际意义。     

基于VMD-LSTM-ELMAN模型的国际原油价格人工智能预测研究

针对国际原油价格序列的高度非线性、非平稳性和时变性等复杂特征,本文提出一种基于变分模态分解(Variational modal decomposition, VMD)和组合预测模型LSTM-ELMAN的方法对国际原油价格进行预测。首先采用VMD方法将原始原油价格分解为不同频率的子序列;然后采用不同模型分别对高频和低频序列进行预测,利用ELMAN神经网络(Elman neural network, ELMAN)预测最后一个高频分量,长短期记忆网络(LSTM,Long short-term memory network)作为主要的预测模型来预测其他子序列;最后重构不同模型的子序列预测值,进而得到最终的预测结果。实证研究结果表明,本文所提出的VMD-LSTM-ELMAN混合模型相较于对比模型不仅能够明显提高国际原油价格的预测精度,而且在不同训练集长度和市场环境下仍能保持预测优势,具有较强的泛化性与可靠性。总体而言,基于国际原油价格的实验证明了VMD-LSTM-ELMAN是一种有效且稳定的预测模型,能够为政府和企业提供有效的智能技术支持。     

融合长短期记忆网络和图卷积网络的轨道交通短时客流起讫点预测

轨道交通客流起讫点(origin-destination,OD)矩阵存在时间相关性和空间相关性。根据客流OD的时空特征,提出长短期记忆(long short-term memory,LSTM)网络和图卷积网络(graph convolutional networks,GCN)的短时组合预测方法。预测方法主要利用LSTM网络来获取客流的时间相关性,利用GCN来获取客流的空间相关性,基于出站口建立客流OD矩阵,对整个路网的客流OD进行训练预测。实验表明:融合LSTM神经网络和GCN神经网络的短时预测模型能有效预测轨道交通客流OD。相较于单独的LSTM神经网络,组合模型在预测误差方面有所改善,更适用于短时客流OD的预测。     

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强，难以实现准确预测的问题，提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模，通过引入排列熵的方法将各子序列进行重组。然后，将各个重组序列输入到TCN-LSTM组合模型中，利用TCN模型提取特征并构建序列的特征向量，再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度，可为负荷预测等研究工作提供相关参考。     

基于时频融合卷积神经网络的股票指数预测

传统的股票指数预测方法是在含噪声、非平稳以及非线性的原始股指序列数据上实施的,这将导致预测精度的下降.为了解决这个问题,提出了一种基于时频融合卷积神经网络的股指预测方法.首先通过引入变分模态分解(VMD)将原始序列数据分解到频域特征上,使得分解后的股指数据具有低信噪比,同时具有更明显的趋势性和平稳性.进一步结合时序卷积...     

基于二次分解与LSTM的金融时间序列预测算法研究

现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性,导致预测精度不高。针对此问题,提出一种基于二次分解与长短期记忆(long short term memory, LSTM)网络的金融时间序列预测算法。使用变分模态分解方法与集成经验模态分解方法依次解析金融时间序列数据,得到能表达数据混沌性特征的模态;将模态信息输入到融合有因子分解机(factorization machine, FM)的长短期记忆网络模型中,融合获取到的长记忆性特征与交互性特征,进而预测最终的结果;选取沪深300指数的历史数据作为实验数据集,通过多组对比实验验证算法的有效性。实验结果表明,提出的算法可以有效提升模型的预测能力,同时表达金融时间序列的混沌性、长记忆性、交互性。     

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。     

基于两级分解和GRU-AT网络的短时交通流预测模型

为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(variational mode decomposition,VMD)和融合注意力机制(attention ,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交通流预测模型。首先采用WD算法将原始交通流数据分解重构成低频分量和高频分量;然后将各高频分量累加,利用VMD算法将其分解为多个本征模态函数(intrinsic mode functions,IMF)分量;最后通过建立GRU-AT模型,提高模型对交通流重要特征信息提取的能力,分别预测算法分解后的交通流分量,将各个分量预测的最优结果进行聚合后获得最终的交通流预测结果。以国内外道路交通流数据为基础进行实例验证,结果表明,WD+VMD+GRU-AT模型的均方误差的平方根、平均绝对误差均小于长短时记忆(long short-term memory,LSTM)网络模型、 GRU、WD+GRU、WD+VMD+GRU,提高了短时交通流预测结果的准确度和稳定性。     

基于VMD和HSA的水声跳频信号时频分析方法

针对水声通信中低信噪比条件下的水声跳频信号检测和参数估计问题,提出了一种新的基于变分模态分解(VMD)和希尔伯特谱分析(HSA)相结合的水声跳频信号时频分析方法。VMD是一种新开发的自适应信号分解技术,可以完全不递归地将多分量的信号分解成许多准正交的固有模式函数。首先重点分析了VMD算法,然后简单介绍了HSA方法,最后将VMD和HSA相结合的方法应用于水声跳频信号分析。利用数值模拟的水声跳频信号进行实验仿真,结果表明本文的方法可以获得高清晰度、高聚集性的时频图。     

基于Prophet-LSTM-PSO组合模型的医院住院量预测研究

针对医院住院量预测问题,首先利用先知模型（Prophet）与长短期记忆循环神经网络（LSTM）预测方法对2015年1月到2019年12月上海市东方医院呼吸内科住院量的时序数据进行建模分析,然后利用粒子群算法（PSO）求出两种模型对应的组合系数,从而得到最终的Prophet-LSTM-PSO组合模型,并通过RMSE和MAE统计学指标将组合模型与单一模型进行对比,同时利用公开数据集进行对比实验。结果表明,Prophet-LSTM-PSO组合模型较Prophet、LSTM、移动平均自回归模型等（ARIMA）等单一模型有效地降低了医院住院量预测的偏离性,提高了预测精度。     

结合时间序列分解和神经网络的河流溶解氧预测

为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(E_MA)为0.14;平均绝对百分误差(E_MPA)为2.07%;均方根误差(E_RMS)为0.24;可决系数(R²)达到0.951 6,精度较其他时间序列预测模型有所提高.