基于深度时空卷积网络的民航需求预测

在线机票预订网站上的用户查询量变化是真实的民航市场需求变化的反映.通过对机票查询数据进行分析,可以准确地预测航班需求,以利于民航业做出快速的市场反应.提出了一种基于深度时空卷积神经网络的民航需求预测模型(DSTCN-FRP),将用户查询量时间序列数据转换成航线网格图,设计多层卷积神经网络来捕捉用户需求与查询数据之间的时间和空间依赖,同时加入节假日等外部因素,最后得到未来一段时间内的民航需求量.在某在线订票网站的真实查询数据集上进行了实验,结果表明:DSTCN-FRP模型优于其他现有的预测方法,其MAE比其他方法降低了15%~50%,RMSE降低了12%~28%.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于GCN-GRU组合模型的基坑周边管线沉降预测

为提高基坑变形预测结果的准确性，在传统的单点时间序列预测基础上，引入监测数据的空间特征对预测方法进行改进.基于图卷积神经网络(graph convolutional network, GCN)和门控循环单元(gate recurrent unit, GRU),构建一种能捕获数据时空关联性的变形预测模型GCN-GRU,并将其应用于上海某基坑周边管线沉降的变形预测.结果表明，相比于GRU时间序列预测模型，考虑了空间关联性的GCN-GRU模型在单步预测中的均方根误差(root mean square error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别降低了27.3%和25.0%,多步预测中的RMSE和MAPE降低了37.2%和37.3%,预测结果准确性较高.该方法可为同类基坑工程周边管线沉降变形预测提供参考.     

一种新的组合k-近邻预测方法

针对传统k-近邻(k-NN)算法基于单一k值预测难以兼顾不同样本的个性,从而导致总体预测精度不够理想的问题,提出了一种组合Bk-NN预测方法.首先通过Boosting理论建立了个性化预测模型集,然后分别采用每个模型对样本进行独立预测,最后各模型预测值的加权和将作为最终预测结果.Bk-NN预测充分考虑了不同类型的样本可能要求不同的预测模型与之相适应的情况,有效降低了预测误差.与其他方法不同的是,Bk-NN预测对数据集的属性类型没有特殊要求.在标准数据集上的实验结果表明,Bk-NN预测精度比传统k-NN方法平均提高了6.44%～15.25%.     

高阶多元直觉模糊时间序列预测模型

为了突破模糊集理论的限制,更客观地描述不确定性数据,提出一种高阶多元直觉模糊时间序列预测模型.采用模糊聚类算法划分论域,并采用更具客观性的方法建立直觉模糊集的隶属度和非隶属度函数.依据直觉模糊多维取式推理的原理建立基于相似度量的启发式推理规则,作为高阶多元模型的预测规则,并且建立相应的解模糊方法.利用北京市日均气温数据集进行对比实验,结果表明,该模型的预测均方误差(0.86)和平均预测误差(2.57%)较现有方法均明显降低,预测结果优于模糊时间序列预测模型和普通直觉模糊时间序列预测模型.     

面向短时交通流预测的动态时空图卷积网络

针对现有的交通流量预测模型缺乏对交通数据动态时空相关性建模能力的问题,提出一种新的基于深度学习的动态时空图卷积网络(DSTGCN)模型,该模型无需给出道路网络信息,从交通数据中即可建模时空相关性.动态时空图卷积层包含2个主要部分:（1）动态邻接矩阵生成模块:使用时间自相关机制与空间注意力机制捕捉交通数据中的动态时空相关性;（2）时空图卷积:使用图卷积和标准二维卷积对信息进行高效聚合.DSTGCN通过堆叠动态时空图卷积层,能够捕捉不同时间级别的时空依赖关系.文章提出的方法在美国加利福尼亚州高速公路流量公开数据集上进行了实验,结果表明:所提出的DSTGCN模型在各项评价指标中均优于现有的基准方法.在PeMSD04数据集上,与当前较新的GeoMAN和ASTGCN模型相比,MAE分别降低了4.00和2.16,验证了所提模型在交通流预测中的有效性.     

基于VMD的CNN-BiLSTM-Att的短期负荷预测

为提高短期电力负荷预测精度,提出了基于变分模态分解(VMD:Variational Mode Decomposition)的CNN-BiLSTM-Att(Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention)的短期负荷预测模型。该模型将历史的负荷数据使用VMD分解成多个子序列负荷并结合天气、日期、工作日类型等因素作为输入特征,得到各个子序列负荷的预测值,然后相加重构组成实际负荷预测曲线。通过与其他模型实验对比,VMD-CNN-BiLSTM-Att模型在测试集上相比于其他模型均有所降低,在连续的周负荷预测中,日负荷预测的平均绝对百分比误差基本维持在1%～2%之间。在复杂负荷变化的非工作日中,平均绝对百分比误差相比CNN-LSTM降低0.13%。证明VMD-CNN-BiLSTM-Att短期负荷预测模型能提高电力负荷预测的精度。     

WFAR模型在时间序列预测中的应用

随着模糊集合理论应用的不断广泛深入,为深刻研究时间序列数据状态波动的依赖关系,提出了模糊自回归时间序列预测模型,更适合解决复杂依赖关系且带有缺失、含糊、不准确等现象的时间序列预测问题。模型采用模糊聚类的方法对论域进行划分建立模糊集,并根据历史数据抽取模糊规则。利用自相关性确定数据状态间的依赖关系,通过马尔科夫转移概率抽取状态转移信息。模型既考虑了数据状态间的相互作用关系,又兼顾了状态转移频率的影响,进而达到提高预测质量的目的。实验部分将Alabama大学入学人数作为实验数据,以均方误差作为衡量标准,经过比较提出模型的预测质量明显优于传统模糊时间序列预测模型,说明了模型的可行性和有效性。     

基于动态时间规整和长短期记忆的空中交通流量短期预测

空中交通流量短期预测对于精准实施空中交通流量管理具有重要意义。为提高空中交通流量短期预测准确性,充分利用历史运行数据,提出了基于动态时间规整和长短期记忆(dynamic time warping-long short-term memory, DTW-LSTM)的空中交通流量短期预测模型。首先,分析了空中交通流的时空相关性特征,采用DTW算法衡量扇区之间交通流相关性;其次,依据相关性度量结果构建数据集,在不同输入条件下建立LSTM网络预测模型;最后,在不同时空参数组合模型间展开预测性能对比及分析。实验结果表明,相较于不考虑时空相关性的LSTM模型,本模型平均绝对误差(mean absolute error, MAE)降低24.5%,均方根误差(root mean squared error, RMSE)降低31.4%,相较于时空相关性的支持向量回归(support vector regression, SVR)模型,MAE降低36.4%,RMSE降低30.6%。由此可见,通过考虑交通流时空相关性可以有效提升流量短期预测的准确性,为空中交通流预测提供有益参考。     

基于门控循环单元神经网络的金融时间序列预测

针对循环神经网络(recurrent neural networks,RNN)网络结构存在的长期依赖问题,门控循环单元(gated recurrent unit,GRU)神经网络作为RNN的一种变体被提出。在继承RNN对时间序列优秀记忆能力的前提下,GRU克服了时间序列的长期依赖问题。本文针对金融时间序列数据存在的依赖问题,将GRU扩展应用到金融时间序列预测,提出了基于差分运算与GRU神经网络相结合的金融时间序列预测模型。该模型能够处理金融时间序列数据的复杂特征,如非线性、非平稳性和序列相关性。通过对标准普尔(SP)500股票指数的调整后收盘价进行预测,实验结果表明,所提出的方案能够提高GRU神经网络的泛化能力和预测精度,并且与传统预测模型相比该模型对金融时间序列的预测拥有更好的预测效果和相对较低的计算开销。     

基于AM-LSTM模型的共享单车时空需求预测

为准确预测城市不同区域的共享单车需求量,解决区域间供需不平衡问题,在对上海市共享单车数据进行时空特征可视化分析的基础上,研究共享单车的出行分布规律. 针对时间出行分布的非严格周期性,提出了一种引入注意力机制的长短时记忆网络预测模型AM-LSTM. 利用Spearman相关性分析法分析特征影响因素,提取模型特征值. 分别构建不同输入序列的预测模型,与传统时序预测模型进行对比分析. 结果表明,采用30 min时间间隔的输入序列具有较高的预测精度,AM-LSTM模型能够较好地预测共享单车的出行需求量,预测精度优于单一的LSTM模型. 最后对预测曲线进行相关度分析,验证了AM-LSTM模型的预测性能,可以为城市共享单车的调度及分配提供有效信息.     

引入母子公司关联因素的城际客运出行 分布预测模型

从城际客运出行目的出发,分析了影响城际客运出行分布的关联性因素,探讨了各企业总部与分支机构之间的关联性对城际客运出行所带来的影响,并提出了母子公司关联系数的概念及量化方法。利用母子公司关联系数构建了城际客运出行分布预测模型,然后采用日本干线旅客流动调查起点-终点(OD)对数据和经济普查数据对模型进行标定。最后,给出了母子公司关联系数随时间变化的规律。结果表明:引入母子公司关联系数后,模型预测能力有所提高。     

基于自适应模糊时间序列法的光伏发电短期功率预测

针对并网光伏发电系统功率预测问题,提出一种基于自适应模糊时间序列法的并网光伏发电短期功率预测模型.根据光伏发电系统的历史发电数据,进行自适应算法处理,使数据结构与预测模型相适应,确定聚类数目、划分论域并定义论域区间.通过对历史数据进行模糊化处理,确定各模糊关系组,再计算各类模糊关系组的权重向量.按照模糊时间序列的方法进行光伏发电功率预测,并去模糊化得到实际预测结果.结果表明,对比时间序列预测法ARIMA模型,本文预测模型结果误差由13.66%减小到11.34%,并且在处理突变数据上有较大改进.     

基于关联规则及组合模型的面料需求预测

由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。文章首先构建Apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测。使用RMES(root mean squared error,RMSE)及MAE(mean absolute error,MAE)作为评价指标设计对比实验,实验结果表明：采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMES较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产。     

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.     

基于卷积神经网络的机票低价预测

准确的机票低价预测有助于民航需求与供给的灵活对接及民航资源的充分利用.机票价格波动性大、随机性强、易受到诸多因素的影响,使得机票价格预测成为了一个极具挑战的问题.充分考虑机票价格自身特点,设计了二维"机票价格时间片"结构,并基于时间片充分挖掘、利用机票价格数据的规律与关系,设计了以卷积神经网络为核心的两阶段机票价格预测模型,对未来机票最低价格进行预测.在某在线订票网站的真实价格数据集上进行了验证,并与4种流行的基准模型进行了对比.结果表明:本文的方法明显优于其他模型,MAE效果提升了13.67%,MAPE数值降低了1.52%.     

时间序列在路面平整度预测中的应用

为了解决国际平整度指数IRI预测模型准确性不高的问题,以京沪高速公路实测IRI数据为基础,对log istic回归、多元回归、时间序列这3种建模方法分别进行分析.并根据京沪高速公路平整度实测数据,建立了几个有不同数量滞后值的时间序列路面平整度预测模型,根据与实测值的比较,找出最优的时间序列路面平整度预测模型.分析结果表明:利用传统的log istic回归和多元回归方法难以建立准确预测路面平整度发展趋势的模型;时间序列方法具有较高的预测精度,且其易修正性是其他预测方法所不具备的.     

考虑时空相关性的网络交通流短期预测

实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Cor-relation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83％.     

基于注意力Seq2Seq模型的终端区航空器航迹预测

为充分挖掘机场终端区航空器航迹时间依赖性,解决中长期、多步长航迹预测精度不稳定的问题,引入注意力机制(Attention Mechanism)和教师监督(Teacher Forcing)中的指数衰减(Exponential Decay)采样方法,提出了一种基于序列到序列框架的机场终端区航迹预测模型(Seq2Seq-Attention Mechanism-Exponential Decay, SAE)。序列到序列框架实现了多步长预测,注意力机制提高解码器预测精度,指数衰减采样方法加速了训练阶段模型收敛,在一定程度上提高了模型的泛化性。最后,为了验证提出方法的有效性,利用天津终端区28架次、90天ADS-B航迹数据构建原始数据集,以平均绝对误差(Mean Squared Error, MAE)和均方根误差(Root Mean Squared Error, RMSE)作为模型性能评价指标,进行了航迹预测实验,实验结果表明：高度、经度和纬度在序列到序列框架中的循环神经网络分别采用LSTM、GRU和LSTM可以获得最好预测性能;以四种预测长度1分钟、3分钟、5分钟和10分钟进行建模,与基线模型中预测性能最好的结果比较,所提出方法在验证集上的高度、经度和纬度指标表现最优,10分钟预测窗口下的平均绝对误差分别降低了66.30%, 54.62%和36.59%,均方根误差分别降低了65.45%, 38.16%和20.57%,同时,上述四种预测时长下所提出方法预测结果的均值和方差最小,表明随着预测时长的增加,模型预测结果的稳定性最好。此外,引入的注意力机制与指数衰减采样方法对有效捕捉航迹时间依赖性、提高模型泛化性均具有积极的贡献.