基于谱正则化算法的大数据矩阵完备化研究

矩阵完备化是基于部分观测数据来完成全部矩阵预测的问题.随着互联网技术的发展,大数据时代的来临,大数据矩阵中大多数据依然是空白的,需要补充,即大数据存在矩阵完备化的问题.本文利用谱正则化模型和算法来解决大数据的矩阵完备化问题,该方法将矩阵完备化问题整理成核范数最小二乘问题,再通过截断奇异值分解、软输入算法和硬输入算法给出了一系列正则化低秩解.最后基于实际的Netflix 大数据的实验结果证明了本文的方法.     

基于LMDI-CS-LSSVM的区域中长期电力需求预测

中长期用电需求预测对地区电网规划与运行具有重要意义,准确地对其进行预测有助于配电网利用效率的提高。中长期用电需求与地区宏观经济形势息息相关,本文选用LMDI分解模型对用电增长量进行了分解,根据影响因素分解为生产效应、结构效应及强度效应,然后选用布谷鸟搜索优化的最小二乘支持向量机对各效应数据进行拟合及预测,再加总得到预测用电需求量。最后,本文以冀北地区为例对模型进行测算,通过与不同预测方法比较证明了基于LMDI电量分解的CS-LSSVM模型在中长期电力需求预测方面有较高的准确度。     

基于BP神经网络的中国电力需求预测

目前,中国用电量逐年激增,而电力需求预测的保守,导致电力供应不足。应用BP神经网络的原理,对中国电力需求情况进行了预测。根据预测结果显示在未来十几年中中国电力的需求量仍将大幅度增加,并提出了有关部门应该迅速调整产业结构,合理安排生产力布局,以满足社会经济发展对电力的需要的建议。     

基于对数平均迪氏指数-布谷鸟搜索算法-最小二乘支持向量机的区域中长期电力需求预测

中长期用电需求预测对地区电网规划与运行具有重要意义。准确地对其进行预测有助于配电网利用效率的提高。中长期用电需求与地区宏观经济形势息息相关,选用(对数平均迪氏指数)LMDI分解模型对用电增长量进行了分解。根据影响因素分解为生产效应、结构效应及强度效应,然后选用布谷鸟搜索优化的最小二乘支持向量机对各效应数据进行拟合及预测,再加总得到预测用电需求量。最后,以冀北地区为例对模型进行测算,通过与不同预测方法比较证明了基于LMDI电量分解的CS-LSSVM模型在中长期电力需求预测方面有较高的准确度。     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于小波分解的DIF-RBFNN超短期风速组合预测方法

提出了一种基于小波分解(wavelet-decomposition)的数据输入格式-径向基神经网络(data input format-radial basis functional neural network)超短期风速组合预测模型.该模型首先将风速时间序列数据进行小波分解,减缓风速时间序列的波动性,然后将分解后的低频、高频部分分别建立数据输入格式(风速输入矩阵),并通过径向基神经网络模型进行预测,最后通过自适应叠加得到最终预测结果.结合宁夏某风场实测数据,将该预测模型和其他三种预测模型的仿真实验结果与实测值进行对比,表明该组合预测模型具有较高的预测精度.     

基于深度神经网络和概率矩阵分解的混合推荐算法

针对个性化推荐中用户和项目描述信息未充分利用,用户评分矩阵数据集极端稀疏的情况,提出了基于深度神经网络和概率矩阵分解(PMF)的混合推荐算法.首先,对用户和项目描述信息进行预处理,形成包含用户偏好特征的用户和项目特征集,再将各特征输入深度神经网络模型中进行训练.同时,利用概率矩阵分解模型,根据用户评分矩阵通过最大后验估计优化得到潜在特征向量;然后,通过对概率矩阵分解模型的用户和项目潜在特征向量以及深度神经网络模型的真实特征向量进行迭代更新,收敛得到融合用户和项目真实信息的潜在特征向量;最后,利用该特征向量对用户进行个性化推荐.实验证明,本文算法较经典推荐算法以及前人算法在均方误差与平均绝对误差指标上均有改善,说明本文算法的有效性.     

基于谱聚类和矩阵分解的改进协同过滤推荐算法

针对传统的协同过滤推荐算法存在数据稀疏性、冷启动,影响推荐结果的准确性等问题,提出了一种改进的协同过滤推荐算法。使用基于随机梯度下降优化求解的矩阵分解方法,将原始矩阵分解为较低维的用户特征矩阵和特征产品矩阵;引进产品外部属性信息,运用谱聚类算法对产品聚类,构建属性—特征之间的映射关系,填充特征产品矩阵。所提出的算法不需要对原始评分矩阵进行数据填充,相较于传统的固定值填充方法,不需要系统提供大量的空间存储评分矩阵,并且在评分预测过程中采用降维技术,可以有效地缓解数据稀疏性对推荐结果准确性的影响。     

基于矩阵分解与随机森林的多准则推荐算法

现今的推荐算法大多忽略用户偏好和项目属性中的多个特征,而是在单一推荐准则的基础上训练模型进行推荐. 基于多准则的推荐算法通过考虑用户偏好的多个方面,可以为用户行为提供更加准确的预测. 酒店是旅游行业中重要的环节,为了提高旅客体验,实现酒店评分预测,提出了基于矩阵分解与随机森林的多准则推荐算法. 该算法分两步实现,通过矩阵分解训练得出用户对物品在各个准则上的评分特征,然后随机森林学习评分特征预测最终评分. 实验结果显示,相较传统算法,基于矩阵分解与随机森林的多准则推荐算法的准确性和实用价值更高.     

基于情景感知的移动电商用户-项目聚类协同过滤推荐算法

针对移动电商个性化推荐服务领域情景感知应用不足和推荐质量不高的问题,提出一种基于情景感知的移动电商用户-项目聚类推荐算法(UIC-CF).在分析情景感知和传统推荐系统基础上,首先基于用户-项目-情景数据模型,构建用户项目类型偏好矩阵,并对评分矩阵填充优化,然后基于情景相似度对用户和项目进行聚类,以用户的评分矩阵和聚类结果为输入,执行UIC-CF算法完成Top-N项目推荐.基于LDOS-CoMoDa数据集,对UIC-CF算法和其他两种算法的对比实验,结果显示本文给出的算法均方根误差最小,准确率值显著提高,表明UICCF算法不仅有效,且具有进一步优化利用的前景.     

基于mRMR-ESN的单变量光伏功率预测

设计了两种预测模型:利用天气变量作为输入的传统多变量预测模型;利用历史功率数据作为输入的新型单变量预测模型.采用最小冗余最大相关(min-redundancy and max-relevance,mRMR) 方法分别对两种模型进行特征提取,并选用在时间序列预测方面具有优势的回声状态网络( echo state network,ESN)对未来5min的光伏功率进行仿真预测.仿真结果表明,采用mRMR方法对历史光伏功率数据进行特征提取,确定能够使预测模型达到最优效果的特征子集,并将其作为单变量预测模型的输入,可以得到更准确的预测效果.所构建的新型单变量预测模型能够为光伏电站提供新的光伏预测思路.     

人工神经网络及其在电力短期负荷预测中的应用研究

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定.通过讨论短期负荷预测,来阐述Levenberg-Marquardt算法优于传统BP算法.并分别用BP算法和Levenberg-Marquardt算法对绥龙110 kV变电局所属供电网络远动采集来的负荷数据进行预测,来说明Levenberg-Marquardt算法优于传统BP算法.     

基于马尔可夫链的新型威胁评估预测方法

为了减少防空作战中二次打击时基于马尔可夫链的态势预测对大量历史经验的需求问题，采用一种状态转移矩阵推导算法，只需少量的历史数据即可推导出合理的状态转移阵。针对现实中作战双方相互打击可能受到的毁伤情况及其对态势预测的影响，提出一种新型的毁伤矩阵方案。该方案以前一轮的打击结果为前提，预测下一轮打击时的威胁。最后结合相关实例进行仿真分析，并通过试验结果证明了算法的可行性和有效性。     

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。     

基于加权余弦相似度与极限学习机的电力负荷短期预测

为提高电力系统管理的效率,提出一种基于加权余弦相似度与极限学习机(extreme tearning machine, ELM)的电力负荷短期预测设计。通过熵权法对电力负荷相关物理信息进行权重分配,获得的权重赋予到余弦相似度中,利用加权余弦相似度对历史日与待测日的电负荷数据进行相似度选取,筛选数据作为极限学习机的输入,提高极限学习机回归模型的精度,最终获取电力负荷预测。实验分析与反向传播BP(back propagation)神经网络、支持向量机(spupport vector machine, SVM)预测算法对比,该方法能有效提高预测模型的精度,同时简化计算量。     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

应急物资需求预测研究现状与发展趋势

应急物资需求预测研究是灾后应急救援的重要组成部分。为系统了解应急物资需求预测的研究现状,查阅大量国内外参考文献,对目前应急物资需求预测研究中常用的案例推理法、神经网络法和灰色系统预测法进行了讨论分析,总结了各自的优缺点及适用条件;并分析总结了近几年的研究重点方向。结果表明,应急物资需求预测在多元化、准确性、智能化等方面的进一步研究对灾后救援有着更大的现实意义。基于此,本文对应急物资需求预测未来的发展方向及研究重点进行了展望,对于应急物资需求预测未来的研究及应急救援体系的建立具有一定的参考作用。     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

基于灰色前馈神经网络的流行色预测

提出结合灰色理论和前馈神经网络的流行色预测模型GLMBPNN(Gray Levenberg-Marquardt Back Propagation Neural Network),并利用Levenberg-Marquardt算法提高传统BP(Back Propagation)神经网络模型的学习速率.运用灰色理论学习历史数据的变化规律,对数据进行灰化处理,再对比目标值与BP网络的初始输出值,不断进行逆向反馈修正,训练完毕后通过仿真、白化处理得出流行色预测值.研究表明,GLMBPNN模型预测所得的流行值比灰色模型方法所得值的精度高,且比传统BP神经网络的收敛速度快.     

铁路客运需求分析与短期客流预测研究

旅客对于铁路客运的需求直接决定了铁路自身的运输生产,对历史旅客需求规律的准确分析以及对未来短期需求的准确预测对旅客运输组织的优化极为重要。为此,提出了基于Prophet模型的铁路客运量需求分析方法和基于Seq2Seq-Attention与Prophet非线性组合模型的短期客流预测方法。前者可以从长期的历史数据中分解出普适整个数据的客流时间分布特征,从而对过去的客运需求规律做出分析;后者利用神经网络进行非线性组合,以求在不同规模的数据集上充分发挥Seq2Seq-Attention网络与Prophet模型各自的优势,做出更精准的客流需求预测。通过实例验证表明,使用Prophet模型将客流历史数据分解成多种时间分布类型数据后在整个数据集上的误差仅有6.68%,同时Seq2Seq-Prophet模型在数据集上的预测效果好于组成它的单模型和其余既有方法。