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。     

短期光伏发电系统功率预测

针对光伏功率预测没有充分利用历史数据的问题，提出一种改进随机森林算法与长短期记忆神经网络相结合的预测方法（IRF-LSTM）。利用粒子群算法优化随机森林算法中的参数，并对原始气象数据进行特征选择。将特征选择后的结果作为输入，对预测模型输出的结果进行反归一化处理得到预测的功率序列。选用某光伏电站的实测数据对该算法模型进行预测，结果表明：该方法能充分利用预测时刻之前的气象时间序列，有效提高光伏功率预测精度，与RF-LSTM方法、单一LSTM方法相比具有更高的准确性，预测误差更小。     

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SSA-LSTM组合模型的城市轨道交通短时客流预测

随着我国经济的快速增长及城市化水平的不断提高，轨道交通在居民出行中发挥着越来越重要的作用。作为影响城市轨道交通运营效益和服务水平的关键因素，客流精准预测受到运营管理者和研究者的日益重视。为提高城市轨道交通客流预测精度，提出了基于麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的SSA-LSTM组合模型。本文以杭州地铁一号线客流量数据为例，在选取轨道交通客流相关影响因素的基础上，利用建立的SSA-LSTM模型对相关站点进行短时客流预测，并与LSTM模型、遗传算法(GA)优化的LSTM模型(GA-LSTM)以及粒子群算法(PSO)优化的LSTM模型(PSO-LSTM)预测结果进行对比分析。结果表明，相比于前述参照模型，SSA-LSTM模型的预测精度分别提升了19.1%、9.7%和2.4%,并在均方根误差指标方面有更优异的表现。SSA-LSTM组合模型在城市轨道交通客流预测中具有一定的应用价值，具有协助运营管理者提高城市轨道交通运营管理效益和提高服务水平的潜力。     

基于GRU算法的轨道交通客流预测模型

轨道交通的高速发展,使得站点的客流压力加剧,拥挤问题也带来了安全隐患.为简化客流预测模型训练时间,轻量化模型,采用K-means聚类,将客流数据进行分类,归一化数据,简化数据分布.在划分训练集和测试集后,分别利用长短时记忆网络(LSTM)模型和门控循环单元(GRU)模型对数据集进行训练.在不同时间粒度下分析了模型的可行性,对比两种算法的损失函数和运行时间.实验结果表明,在预测结果的准确性相近的情况下,GRU模型比LSTM模型有更短的拟合时间,同时模型本身更加简单,有着更好的适用性.     

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,本文提出了产品数据空间和一维卷积神经网络(One-dimensional convolutional neural networks, 1D-CNN)-长短期记忆神经网络(Long short-term memory, LSTM)的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明：1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见本文提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。     

基于注意力机制的CNN-LSTM模型的航迹预测

基于数学模型或统计模型的传统航迹预测方法存在一定的局限性，无法满足现代航空领域对于高效、准确、实时的航迹预测需求。针对此问题，提出基于注意力机制的CNN-LSTM模型的实时航迹预测方法。该模型首先使用一维卷积对航迹数据的多维度特征进行提取，从而减少输入特征的数量。其次利用获取的多维度时序数据作为LSTM的输入，通过LSTM提取上下文的信息。最后使用注意力机制为LSTM中不同时序节点的输出赋予权重，达到聚焦关键航迹信息的作用。经过实验验证：本文的模型与LSTM模型和CNN-LSTM模型相比，预测出的路径更接近真实航迹；文中的模型比LSTM模型的平均预测误差降低了29.7%，比CNN-LSTM模型降低了25.4%。综上所述，文中方法可以显著提高航迹预测的精度。     

大型活动散场期间地铁车站短时进站客流预测

大型活动散场期间的地铁车站客流属于可预知的非常规客流,采用常规客流的统计预测方法难以准确预测其客流需求.基于深度学习,将历史客流规律、大型活动数据与实时自动售检票系统数据相结合,提出了一种适用于大型活动散场期间地铁车站的短时客流预测模型.首先对历史客流数据进行了拆分及降噪处理,并分析了活动客流特征.之后,基于深度学习框架构建多层结构的卷积神经网络,拟合活动客流特征与客流时空分布的映射关系,并选取Adam(adaptive moment estimation)算法优化训练过程,以适用于活动散场时客流集中进站的情况.最后,以北京地铁奥林匹克公园站为例,利用实测数据验证了模型的准确性.预测结果表明:建立的Adam-CNN(convolution neural network)模型相对于常用时间序列方法自回归滑动平均和传统神经网络SGD-CNN模型具有更高的精度,能够为大型活动的组织提供更为有力的支持.     

基于时间序列分解与门控循环单元的地铁换乘客流预测

为丰富地铁内部换乘客流预测理论,更好地制定地铁运营计划,提出了一种基于时间序列分解方法(STL)与门控循环单元(GRU)的地铁换乘客流预测模型。该模型将预测过程分为3个阶段,第1阶段为原始地铁刷卡数据预处理,采用基于图的深度优先搜索算法识别乘客的出行路径,构建换乘客流时间序列;第2阶段运用STL时间序列分解算法将换乘客流时间序列转化为趋势量、周期量以及余量,并利用3σ原则对余量进行异常值的剔除与填充;第3阶段基于深度学习库Keras,完成GRU模型的搭建、训练及预测。以北京地铁西直门站的换乘客流数据为研究对象,对模型的有效性进行了验证,结果表明：与长短时记忆神经网络(LSTM)、门控循环单元、STL时间序列分解方法与长短时记忆神经网络组合模型(STL-LSTM)相比,STL-GRU组合预测模型可提升工作日(不含周五)、周五、休息日的换乘客流预测精度,预测结果的平均绝对百分比误差至少分别降低了2.3、1.36、6.42个百分点。     

基于长短期记忆模型的交通拥堵预测方法

为了在交通拥堵预测算法中充分考虑各类因素的影响以及挖掘交通流数据隐含的深层特征,该文提出基于长短期记忆(Long-short term memory,LSTM)模型的交通拥堵预测方法。该方法充分考虑交通流特征、天气、节假日等因素,首先利用去噪自编码模型提取输入数据的核心特征,再使用LSTM模型长时记忆历史数据,二者结合对城市交通拥堵程度进行有效预测,通过与已有的交通拥堵预测模型进行对比,结果表明,该方法具有较高的预测准确度和鲁棒性,准确度能达到92%以上。     

基于机器学习的城市交通态势评估与预测方法研究

为更实时准确地评估和预测交通运行态势,以交通检测器提供的大量数据作为研究对象,通过分析交通流时空特征及变化规律,建立考虑谱聚类的K近邻算法,并对城市交通的运行态势进行等级分层并评估.在时间序列分析的基础上,建立考虑时间特性的LSTM和GRU神经网络模型,预测城市交通运行态势并分析对比各模型预测效果.研究结果表明:与传统...     

基于PCA-RF模型的冲击地压预测

为了提高冲击地压危害预测的准确性,基于主成分分析法和随机森林算法,构建了由主成分分析方法优化的随机森林模型,分析静态冲击地压数据并处理异常值,通过数据标准化处理、计算相关系数矩阵及累计方差贡献率,提取出5个主要特征.利用优化的随机森林模型训练冲击地压数据集,使模型参数不断得到优化.以混淆矩阵中的准确率作为评估指标,将优化的随机森林模型与单一随机森林模型进行比较分析.实验结果表明,优化的随机森林模型比单一随机森林模型具备更好的效果,其准确率达到了88.9%,高于单一的随机森林模型,进而得出结论,即优化的随机森林模型能有效地对冲击地压危害进行预测,通过随机森林优化模型,一定程度上有效缩减冲击地压危害预测的时间.     

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3种模型的航线客流预测仿真

准确地预测航线的客流量,对于航空公司的运力安排、航线调整、规划发展都有着重要的作用.针对民航客流量预测具有诸多不确定性和数据不足的特点,基于某航空公司2010年—2017年北京—三亚航线每天的客流数据,运用了随机森林预测模型、支持向量机回归模型、神经网络模型对航线数据进行了数据拟合.经验证,3个模型的平均绝对误差分别为4. 18%、6. 87%、12. 38%,其中,随机森林预测模型精度最高,效果最佳,可以用于客流预测仿真.     

基于长短期记忆神经网络模型的空气质量预测

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;PéREZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM_(2.5)浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。     

基于时间序列的铁路客流量预测及票额优化配置

铁路客流量受多因素影响,其时序特征明显,因此,基于平稳时间序列构建客流数据预测模型及单车次多区间票额分配模型,有利于掌握客流动态变化,改善铁路运营压力。实现特征数据抽取系统开发,进行累加、循环、筛选算法等数据预处理;运用多因子方差分析评价多种因素的显著相关性影响,通过ARMA模型进行短时旅客客流量预测,进行模型优化并检验,同时,基于线性规划构建客座率最大化的区间票额分配优化模型。     

基于CNN-LSTM网络的在线多任务销售预测模型

有效的销售预测利于企业制定正确的营销策略,针对当前销售预测研究中存在无法进行实时在线多任务销售预测、稳定获取序列数据中的时序特征等问题,提出了一种基于CNN-LSTM网络的在线多任务销售预测模型.该模型上层CNN网络抽取得到重要的时序数据特征,进而输入到下层LSTM网络中进一步抽取复杂的不规则特征进行建模,最终得到预测...     

基于DBN-LSTM的滚动轴承剩余寿命预测模型

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于融合深度置信神经网络（deep belief neural , DBN）和长短时记忆神经网络（long-short term memory , LSTM）的剩余寿命预测模型。该模型首先采用带通滤波降噪对滚动轴承振动数据进行去噪,然后依据均方根特征和峭度特征在轴承全寿命周期内的趋势图确定模型的预测起始点;其次利用优化后的4层DBN网络完成深度特征提取并用于LSTM的训练与测试。通过轴承全寿命周期试验证明提出模型的可靠性,并且与传统LSTM、BP(back propagation)神经网络和DBN-BP模型的预测结果进行对比,验证了本文模型的有效性。     

基于深度学习组合模型的交通流预测

为了研究高速公路在交通流预测过程中时间粒度对于精度的影响,及时向出行者提供精准实时的道路信息,通过TensorFlow深度学习模块,建立支持向量回归(SVR)与长短时记忆(LSTM)相结合的预测模型。基于LSTM模型的长期记忆功能与支持向量回归非线性化特点,调整优化参数,以英国高速公路局提供的M3高速公路数据为例进行分析,根据预测结果对模型进行对比评价,并结合模型对不同时段的交通流数据进行分析研究。结果表明：SVR-LSTM组合预测模型对于高速公路数据有更好的适应性,而且时间粒度如果越精细,预测精度将大幅提高。     

基于LSTM流量预测的DDoS攻击检测方法

提出一种基于长短时记忆(LSTM)神经网络流量预测的分布式拒绝服务(DDoS)攻击检测方法.首先定义了IP数据包统计特征(IPDCF)来表征网络流特征,然后采用LSTM神经网络模型对IPDCF时间序列进行建模,且使用网格搜索和超参数最优法确定Dropout的值以缓解该模型的过拟合现象,最后建立基于IPDCF时间序列的LSTM模型来识别DDoS攻击.实验结果表明:该模型能够准确地预测正常网络流量变化趋势,识别DDoS攻击引起的异常;与同类方法相比,该方法能较早地检测DDoS攻击且漏报率和误报率更低.