基于KPCA和BiLSTM的分解炉出口温度预测

水泥生产过程中，分解炉出口温度是非常重要的工艺参数，为了应对出口温度变量的多样性，文章提出一种核主成分分析(kernel principal component analysis, KPCA)与双向长短期记忆(bidirectional long short-term memory, BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的，将降维后的主成分作为BiLSTM神经网络的输入，分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练，得到分解炉出口温度预测模型。通过对比验证表明，使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。     

多通道CNN-BiLSTM的短时温度预测

温度数据具有明显的反向、时序相关性及多尺度特征，提升温度预测精度的关键在于能否有效提取温度数据的上述特征.为提取这些特征，该文提出一种多通道卷积双向长短期记忆网络(convolutional neural network-bidirection long short-term memory, CNN-BiLSTM)的短时温度预测模型.该模型首先利用双向长短期记忆网络(BiLSTM)提取数据的反向特征、时序相关性特征；再利用多通道且不同尺寸、不同膨胀率的卷积神经网络(CNN)提取数据的多尺度特征，组成在学习多尺度特征后的数据，将其和原始数据作为BiLSTM层的多通道输入，输出的数据经过全连接层，形成最终的预测结果.实验结果表明：多通道CNN-BiLSTM的短时温度预测模型能有效地提取数据的时序相关性、反向及多尺度特征，可有效地提升温度预测精度，是一种行之有效的短时温度预测模型.     

基于Softmax函数增强卷积神经网络—双向长短期记忆网络框架的交通拥堵预测算法

对交通状态进行预测,需要准确识别和判断交通状态。基于道路自身的自由流速度,将具有不同速度等级的街道统一以旅行时间指数(travel time index, TTI)作为拥堵评价,相较于以车辆速度为基准的传统预测方法更能表现出道路的拥堵状态。提出了一种改进的深度学习预测模型(CS-BiLSTM),该模型基于卷积神经网络(convolutional neural networks, CNN)和双向长短期记忆(bidirectional long short-term memory, BiLSTM),并结合Softmax函数增强CNN提取出的交通空间特征信息。最后以成都市出租车的全球定位系统(global positioning system, GPS)数据进行验证。结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比CNN-BiLSTM网络预测框架提升了13%。     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来,风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于卷积神经网络(convolutional neural networks, CNN)-长短期记忆网络(long short-term memory, LSTM)和梯度提升学习(light gradient boosting machine, lightGBM)组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用张北曹碾沟风电场的风电数据集,以未来4 h风电功率为预测目标,验证了组合模型的有效性。预测结果表明：相较于其他3种单一模型,组合模型具有更高的预测精度。     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

基于GA-VMD-BiLSTM算法的风电功率预测

针对传统风电功率预测精度低、效果差的问题,设计一种风电功率预测模型.首先,采用密度峰值聚类对实测数据去噪,并结合遗传算法(genetic algorithm, GA)优化变分模态分解(variational mode decomposition, VMD)获取最优分解个数,完成初始信号分解;其次,以双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络为基础建立预测模型,预测分解后的各组数据;最后,对比其他模型验证参数正确性和模型精度.结果表明,遗传算法可获取变分模态分解中的最优分解个数,且BiLSTM网络模型的精度和适应性优于其他模型.     

基于变分模态分解和神经网络的风速组合预测

风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition, VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态分解将风速序列分解为若干不同频率的子序列;其次计算各子序列的样本熵(sample entropy, SE)以量化复杂程度,引入熵值法建立神经网络组合预测模型,对复杂度较高的分量采用神经网络组合预测模型,其余分量采用支持向量机(support vector machine, SVM)模型进行预测;最后将各分量预测结果运用BP神经网络拟合得到最终预测值。针对北京测风塔实测样本进行建模预测,验证所提出预测模型的可行性,并与6种不同风速预测组合模型开展对比分析,证明所提出的预测模型具有更好的鲁棒性和预测精度。     

无偏灰色RBF神经网络组合模型在药品销售预测中的应用

针对药品销售的非线性和随机性;单一预测模型不能全面反映药品销售变化规律等缺陷;提出了一种无偏灰色GM(1,1)RBF神经网络组合预测模型.组合模型兼顾无偏灰色GM(1,1)模型和RBF神经网络模型的优点;并运用该模型对某种降压药销售进行仿真实验;结果表明;相对于单一预测模型;组合预测模型更加科学、可靠;更能准确描述药品销售的变化规律;提高了药品销售的预测精度;在药品销售预测中具有一定的实用价值.     

基于CNN-LSTM的综合能源系统负荷预测模型

负荷的准确预测是综合能源系统设计、运行、调度和管理的前提。现有的负荷预测模型中大都考虑了气象、日期因素,却没有考虑系统中电、冷、热负荷间的相关性,这会对模型的预测精度造成影响。使用了科普拉理论对系统中3种负荷之间的相关性进行分析。从分析结果看,它们之间具有强相关的关系。基于上述分析结果,提出了一种基于深度学习的智慧综合能源系统负荷预测模型,该模型使用卷积神经网络(convolutional neural network,CNN)来提取系统中电、冷、热负荷间的耦合特性相关的特征量。将得到的特征量转换为时间序列后,输入到长短期记忆(long short-term memory,LSTM)网络中进行负荷预测。实验显示,所提出的CNN-LSTM组合模型的预测精度更为精准,可为综合能源系统的负荷预测提供参考。     

基于CNN-RNN组合模型的办公建筑能耗预测

为准确反映办公建筑的运行特性,利用卷积神经网络(CNN)良好的特征提取能力与循环神经网络(RNN)良好的时序学习能力,提出用于预测办公建筑能耗的CNN-RNN组合模型,并对应设计了适用于深度学习模型的二维矩阵数据输入结构.案例分析结果表明,相较于简单循环神经网络和长短期记忆网络,CNN-RNN组合模型的预测精度与计算效率均显著提升,模型泛化性好.     

基于Holt-Winters及长短期记忆的云资源组合预测模型

云资源的预测分析对于响应资源请求并及时做出决策非常重要,针对容器云资源的过度调配、供应不足的资源管理问题以及云资源预测精度低、数据波动性等问题,为使云资源的预测能够为工作负载的需求提前响应并做出合理分配,提出了一种基于Holt-Winters和长短期记忆神经网络(long short-term memory, LSTM)(HW-LSTM)的云资源组合预测模型,并以预测残差的变异系数赋权。对亚马逊CPU数据集的预测实验表明,提出的组合模型比Holt-Winters、LSTM及卷积神经网络(convolutional neural networks, CNN)模型预测性能及稳定性更好,均方根误差(root mean squared error, RMSE)、平均绝对误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)、平均绝对比例误差(mean absolute scaled error, MASE)、方差D(n)优化范围分别为0.065～1.026、0.023～0.269、0.001～0....     

基于长短期记忆神经网络的油田注水预测

为解决目前常用的人工智能注水预测无法考虑数据在时间上的相关性问题,通过选取一种基于循环神经网络(RNN:Recurrent Neural Network)改进的长短期记忆(LSTM:Long Short-Term Memory Neural Network)神经网络构建油田注水预测模型.该模型不仅能考虑到注水量和影响因...     

基于融合Dropout与注意力机制的LSTM-GRU车辆轨迹预测

在智能驾驶环境的车辆轨迹预测环节,为更好地获取环境车辆的轨迹时序特征,在长短期记忆神经网络（LSTM）基础上,嵌入Dropout层以增强网络泛化性,引入注意力机制予以预测效果影响较大的时序数据更大权重从而提高预测结果的可靠性,且将改进的LSTM模型与门控循环单元GRU模型结合,构建LSTM-GRU预测模型以进一步提升环境车辆轨迹预测的准确性.在此基础上,使用NGSIM公开数据集对模型进行训练、验证和测试.研究结果表明,融合了Dropout和注意力机制的LSTM-GRU神经网络轨迹预测模型相较标准的LSTM长短期记忆网络以及GRU门控循环单元,在预测较长时序的车辆轨迹上具有优势,提高了轨迹预测的准确性,降低了实际轨迹和预测轨迹之间的均方根误差和平均绝对误差.     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

利用人工智能神经网络预测广州市PM2.5日浓度

利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM),对广州市2015—2019年的PM2.5浓度数据进行训练和预报,研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响.结果表明,EEMD分解可以显著地提升低频分量的预报效果;提高输入数据的时间分辨...     

基于长短期记忆神经网络的短期电力负荷预测

为提高电力负荷预测的精度,提出一种基于长短期记忆神经网络的短期负荷预测模型.首先,选取28个影响电力负荷变化的因素作为预测输入候选特征,同时对部分定性表述的影响因素进行量化表征,对电力负荷特点及其影响因素分析.其次,借助皮尔逊相关系数分析选取了23个相关性较强的主要影响因素,进一步采用皮尔逊相关系数法分析影响因素对负荷...     

融合注意力机制的煤层气产量动态预测

为了提升煤层气产量的预测精度,提出融合注意力(Attention)机制并结合卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long short term memory,LSTM)的煤层气产量动态预测模型。利用随机森林变量筛选方法,确定井底流压、动液面高度、套压、冲次为排采过程中影响煤层气产量的主控因素;利用CNN信息提取优势,提取煤层气排采数据的特征向量,并将特征向量作为LSTM网络的输入;再将LSTM隐含层融合注意力机制提取重要信息权重,有效解决信息长期依赖性和信息丢失。实验结果表明：融合注意力机制的CNN-LSTM煤层气产量动态预测模型各方面均表现较优。具体表现为：1. 模型预测性能较好,利用不同模型对比预测,改进后的煤层气产量预测模型精度最高,比标准的LSTM预测精度提升了3%~4%;2. 泛化性能较优,预测同一区块不同生产天数的6口煤层气井产量时,预测60天日产气量的平均相对误差均小于5%,预测200天日产气量的平均相对误差均小于8%。     

空战飞行对敌目标逼近航迹预测仿真

针对传统航迹预测方法考虑因素少、预测时间长的问题,提出基于实时反馈长短期记忆神经网络(FF-LSTM)的航迹预测模型。该模型在长短期记忆(LSTM)神经网络的基础上,引入实时反馈,并采用随机梯度下降法和批处理方法训练网络权值和阈值,构建FF-LSTM神经网络。根据目标航迹特点,选取敌机位置、姿态信息和两机之间互信息特征作为输入数据,将航迹预测视为序列到序列的映射问题。实验结果表明,与BP神经网络和递归神经网络相比,FF-LSTM模型有更好的预测能力,可以快速准确地完成航迹预测。     

基于GWO-CNN-BILSTM的超短期风电预测

在未来高渗透率风电场景下,超短期风电功率预测研究对于实现电力系统优化运行具有重要意义。为此,提出一种基于GWO-CNN-BiLSTM的超短期风电预测方法。首先,搭建基于卷积神经网络(convolutional neural network, CNN)与双向长短期记忆神经网络(bidirectional long short term memory, BiLSTM)的组合模型,然后,为提升风电预测结果的精度,通过灰狼优化算法(grey wolf optimizer, GWO)对组合模型进行优化,使该组合模型参数能实时适应风电历史数据。最后,仿真结果验证了所提出方法的有效性和优越性。     

两种改进的GM(2,1)模型及其在船舶横摇预报中的应用

实时准确地预报船舶横摇运动是目前船舶运动研究的一个重要课题,对于提高船舶的耐波性和适航性具有重要的意义.灰色GM(2,1)模型有2个指数分量,能反映出序列摆动的运动情况,但预测精度仍然不足.因此在GM(2,1)模型对非线性复杂横摇运动进行建模及预测的基础上,基于误差补偿的思想,用周期外延和神经网络2种方法分别对灰色模型进行改进.仿真结果表明,灰色-周期外延组合预测模型和灰色-BP神经网络组合预测模型均能准确有效地预报船舶横摇运动,进一步提高灰色模型的预测精度,为船舶减摇控制打下了良好基础,具有实用价值.