专注智能油藏储量预测的深度时空注意力模型

现有油藏储量预测方法的精度远不能满足实际应用的需求。受循环神经网络和注意力机制的启发,提出一种专注智能油藏储量预测的深度时空注意力模型。该模型通过时间注意力模型来捕获输入数据之间的关键信息,空间注意力模型捕获隐藏状态之间的关系紧密程度,能够缓解数据波动对预测结果的不利影响,从而大幅减小预测误差。结果表明,相比传统方法和已有的深度学习方法,该模型预测精度有显著提高,为今后油藏储量预测提供一种更优的选择。     

基于深度神经网络的个体阅读眼动预测

传统眼动模型基于心理学假设和经验数据构建,不能对未见文本数据进行预测,且不能解决阅读个体化差异问题。针对这一问题,该文提出了一种利用深度神经网络预测读者注视点的眼动模型。与传统基于心理学的眼动模型不同,该模型不是基于经验数据集,而是基于双向长短期记忆-条件随机场(bi-directional long short-term memory-conditional random field,bi-LSTM-CRF)神经网络。该模型使用阅读过程中读者的眼球运动数据作为训练数据,来预测该读者阅读其他文本时的注视点。计算机模拟结果表明:bi-LSTM-CRF模型能够使用较少的数据特征获得与现有机器学习模型相似的预测准确度,这使所提出的模型在实时人机交互应用领域具有吸引力。     

基于改进深度森林的短期电力负荷预测模型

深度学习模型通过学习数据的深层特征能够有效提高电力负荷预测的准确率,但同时也带来了超参数较多、模型可解释性差等问题。针对这些问题,文中将深度森林模型引入短期电力负荷预测领域。在多粒度级联森林模型的基础上改进了多粒度窗口扫描方法,调整窗口大小与滑动步长,使模型能够在不同时间尺度下提取电力负荷数据的周期性特征。此外,改进深度森林输出层的计算方法,将输出结果由离散的类向量改进为连续的预测值,进而提高模型的精确度。最后在中国东北电网的实测数据中验证了文中所提出方法的可行性与有效性。从实验结果可知,改进深度森林算法在较高预测精度的情况下能取得更高的准确率,并且相较于深度神经网络具有更快的学习速度。     

基于小波与DBN的负荷预测模型

针对原始数据存在干扰以及BP神经网络和深度置信网络(DBN)局限性的问题,提出了一种小波与DBN相结合的负荷预测模型.该方法主要是先将原始负荷数据进行小波降噪,将降噪后的数据用来训练DBN模型,最后用该模型进行负荷预测.分别对比BP、DBN以及小波与DBN组合模型对负荷的预测结果与真实值的差异,仿真结果表明小波与DBN组合预测模型预测曲线趋势和真实值的一致性最好,从数据中得出BP、DBN以及组合模型预测结果的均方根误差分别为23.862、13.656和10.477,说明小波与DBN组合模型对负荷预测的准确性最高.     

基于深度学习的页岩储层总有机碳含量预测方法

页岩储层总有机碳（Total Organic Carbon,TOC ）含量的地震预测普遍采用密度回归拟合法,仅考虑了单因素的线性关系,预测结果误差较大。针对常规方法的不足,提出基于深度学习的TOC含量预测方法。首先,从测井资料中优选出与TOC含量曲线相关度相对较高的多个弹性参数曲线作为样本集输入数据,TOC含量曲线作为样本集输出数据,构建针对TOC含量预测的深度前馈神经网络模型;然后,调试网络模型结构,并利用共轭梯度法进行网络参数寻优;最后,将叠前振幅随偏移距变化（Amplitude Versus Offset,AVO ）反演得到的弹性参数数据体输入到深度前馈神经网络模型,预测得到最终的TOC含量数据体。通过四川盆地页岩储层实际测井、地震资料的应用,对比了该方法相对于常规回归拟合法的优越性,验证了方法的实用性和可行性,为页岩储层TOC含量预测提供了新思路。     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。     

W-RBF神经网络模型在中药材价格预测中的应用

中药材作为一种特殊的农产品,其价格态变化过程呈现出高度复杂的非线性特征,增加了中药材价格预测的难度.通过研究影响中药材价格的主要因素,并在分析传统价格预测方法的基础上,针对中药材价格变化具有随机性、突变性和非线性的特点,通过小波和RBF神经网络结合构建一个中药材价格预测模型(W-RBF).采用W-RBF神经网络模型对白芍价格进行预测,并将预测结果与RBF神经网络模型预测结果做了比较.实验结果说明,W-RBF神经网络模型预测准确率明显提高,比RBF神经网络模型更具优越性.     

基于数据驱动模式的波浪能装置短期发电功率预测方法

 分析了随着波浪能发电技术的逐步成熟带来的功率预测技术现状，阐述了功率预测对规模化利用波浪能的现实需求，研究了不同模型的预测机理和特性，并在传统物理模型技术上提出了基于深度学习的数据驱动模型。基于长短时记忆网络的深度模型能够对波浪发电装置的短期功率开展预测，并通过与支持向量机、神经网络等模型的比较，证明了长短时记忆网络模型预测方法能够获得更优的短期预测结果。     

热解过程中油页岩孔隙率变化规律

为预测原位热解工艺带来的水文地质环境变化,通过控制热解温度和时间的方法研究了不同热解程度油页岩的孔隙率变化规律。从油母质热解造成油页岩孔隙率变化的机理出发,结合油页岩的热解反应速率方程,建立了热解过程中油页岩的孔隙率变化定量模型,并将理论值与实验值进行了对比验证。结果表明:该模型计算结果与实验数据吻合良好,误差较小。可见该孔隙率定量模型能够较准确地计算热解过程中油页岩的孔隙率。     

基于机器学习算法预测核磁共振T2谱

近年来,深度学习算法被广泛应用于生成各种类型的数据。本文通过分析测井数据与核磁共振T2谱之间的映射关系,利用随机森林与LSTM网络模型实现了对核磁共振T2谱的重构。核磁共振测井每个深度获得的T2谱是在不同的时间序列中通过不同的布点数来显示形态上的变化的,随机森林算法能够处理高维度的核磁共振T2谱数据且不需要做特征选择,而LSTM可以很好地控制不同深度神经元对T2谱各分布点的影响,将这两种网络模型进行参数优化后对同一口井的预测结果进行对比分析。这里选取了中国海上A油田的测井数据作为例子进行方法测试。首先,利用灰色关联度算法分析T2几何均值与测井曲线的相关性。选取相关性高于设定值的测井曲线,将测井曲线标准化缩放在0~1后作为随机森林与LSTM模型的输入,预测同一地层T2谱形态分布规律并比较算法的优劣。在比较软件处理得到的核磁共振T2谱和预测结果后分析它们之间产生差异的原因。结果显示通过LSTM神经网络模型预测的数据与地层真实数据的符合度比随机森林算法更高,符合度可达90%以上。     

Kalman滤波在刀具磨损预测模型中的应用

基于LS-SVM建立刀具磨损预测模型,描述铣削过程中输入向量(进给率、切削速度、主轴转速、切削深度、切削时间及磨损位置)和输出向量(刀具磨损)之间的映射关系,并引入Kalman滤波技术,建立LS-KF模型,考虑加工条件及环境变化引起的刀具磨损量的变化,结合刀具的实际磨损量更新LS-SVM的预测结果,并用该更新结果调整训练模型,以使更新后的刀具磨损量能够反映出由于加工条件及环境的变化引起的刀具磨损的变化,提高LS-SVM模型的预测精度,最后用实验验证所建立模型的预测精度。结果表明,LS-SVM模型和LS-KF模型的预测精度均较高,且LS-KF模型的预测精度更高。     

云计算中服务质量预测数据的信心建模

为处理服务质量(quality of service,Qo S)预测所用数据的不确定性,增加预测结果的信心值,使预测的Qo S值更可信,建立了量化Qo S预测中信心的概率模型。构建模型过程中,考虑了预测所用的Qo S数据项数量、数据的波动情况(数据偏差)以及数据随时间的衰减情况。数据项数量表明参与预测的数据多少对预测结果可信度的影响程度;数据偏差表明服务的实际Qo S值和预期值的一致程度;数据衰减程度表明随时间变化,数据对预测结果的影响程度。仿真试验表明,该信心模型能够准确有效地帮助用户选择满足其需求的服务。     

基于经验模式分解与LSTM神经网络的短期电价预测模型

在开放的电力市场中,日前电价预测是个重要的研究方向。本文提出了一种基于经验模式分解(EMD)与长短期记忆神经网络(LSTM)的序列电价预测模型,使用EMD提取电价序列中的周期分量与趋势分量,利用LSTM分别对周期分量与趋势分量进行序列预测,输出各分量的预测结果,通过支持向量机回归(SVR)叠加各分量的预测序列生成预测价格序列。最后,以美国PJM电力市场的电价数据为算例,与ARIMA模型、单一LSTM神经网络模型的预测结果进行比较,验证了EMD-LSTM-SVR模型能够提高短期电价预测精度。     

基于小波降噪的美国月度新房开工率的时间序列分析

基于有明显季节性规律性的时间序列数据与信号数据表现相似的特征,本文运用信号处理中的小波方法对原始时间序列数据进行降噪,提升模型的预测效果.针对选取的不同类型小波,通过更改阈值对原始数据进行降噪;以美国新建私有房屋开工率1990年1月至2014年5月的数据为样本,运用降噪后的数据进行模型拟合与预测,并与传统的纯时间序列分析建模结果相比较.结果表明对数据进行小波变换降噪的预处理之后效果更好:减弱了因局部高频变化数据导致的模型不稳定性;使数据更加平滑;提升了预测值与真实值的接近程度.     

二维随机水质模型在模拟污染带中的应用

利用二维随机水质模型计算了排入河流中的污染物浓度分布,建立了多个不确定因素影响时河流污染带长度及水环境容量的概率分布计算模型.研究结果表明:利用该计算模型对湘江水质进行预测,预测结果与实测数据相吻合,实测值与计算均值相对误差为0.99%～9.12%;该计算模型的概率分布解能够反映任一点的污染物浓度变化,以及在不确定因素影响下污染带的范围和水环境容量随机变化情况.     

基于神经网络的泡沫混凝土强度及导热性能预测

基于神经网络原理,建立预测泡沫混凝土性能的BP神经网络模型,期望通过输入配合比主要参数,得到泡沫混凝土强度及导热性能的预测结果。将实验数据分为训练组和对照组,对训练组进行非线性拟合,若拟合结果满足误差精度则模型建立完毕;通过拟合结果与对照组的比较,可验证模型预测精度。结果表明,BP神经网络模型能够准确拟合实验数据,利用其泛化能力进行预测的结果与对照组的误差小于8%,该模型具有很高的预测精度。     

基于BP-Boosting算法的商品住宅价格预测模型

针对商品住宅价格预测问题,分析整理了与房价相关的经济因素,首次提出将BP-Boosting回归算法运用到商品住宅价格的预测中.以郑州市房地产相关数据为实例,进行学习预测.模型结果表明,该方法简单有效,较为准确地预测出下一个季度的房价,与BP神经网络及灰色-马尔柯夫模型相比具有较为理想的预测精度.     

采用ALSTM模型的温度和降雨关联预测研究

短时的降雨和温度等预报一直是天气预报中的重要问题。为了准确和及时预测局部区域的降雨及温度,提出了一种基于Attention和LSTM组合模型(ALSTM)的关联多值预测算法。该算法利用天气时间序列中的前期数据,对下一小时的降雨量和温度进行关联预测,以此实现对天气要素的多值预测。该算法首先对输入数据进行归一化处理;然后利用数据对ALSTM模型进行训练;最后将训练好的模型用于多值预测。将ALSTM模型与LSTM、BP以及基于LSTM的深度循环神经网络(DRNN)的预测结果进行了比较。实验结果表明,ALSTM模型的温度和降雨预测精度优于比较的其他模型,其平均预测精度在97%以上。     

基于深度学习的地铁短时客流量预测

为了对地铁短时客流流量进行准确预测,建立了一种基于深度学习的地铁短时客流预测方法。通过分析地铁的客流数据,发现周一至周四、周五以及周末的发展模式存在一定的差异。依据该发现,基于深度学习的理论框架,建立了双向长短期记忆网络的地铁短时客流量预测模型。最后以广州体育西路地铁站数据为例进行预测分析,并将预测结果与决策树模型、支持向量机算法以及长短期记忆网络的预测结果进行对比分析。结果表明,双向长短期记忆网络全面优于其他预测算法,且该算法的平均预测精度超过90%,对地铁运力的合理配置等有一定的应用价值。     

基于自适应惯性权重优化后的粒子群算法优化误差反向传播神经网络和深度置信网络(DBN-APSOBP)组合模型的短期旅游需求预测研究

旅游需求的精准预测对于旅游景区资源调度和管理有着重要作用。单一的浅层学习算法无法很好地拟合旅游客流量的特征,针对上述问题,本文通过组合深度学习和浅层学习算法,同时结合网络搜索行为数据,建立深度置信网络和利用自适应惯性权重优化后的APSO去优化BP神经网络——APSO-BP的组合预测模型,用DBN模型对原始非线性客流量数据预测,再对DBN模型预测所产生的残差建立APSO-BP模型进行预测,将二者预测值合成后得到最终的预测值。通过实验证明了该组合模型能够较为准确的拟合客流量数据特征,有效地提高了预测精度。