基于深度学习的短时交通流量预测

针对交通流数据的时间相关性和非线性等特点,现有预测方法未能充分获取交通流的本质特征,提出了一种基于深度学习的短时交通流量预测方法。该方法结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)作为预测模型,利用长短时记忆神经网络模型进行获取特征,用获取的特征训练支持向量回归进行交通流量的预测,比较了与其它模型的预测效果,真实数据集的结果表明,该模型有较高的预测精度。     

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。     

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NARX神经网络的短时交叉口流量预测

短时交通流的精准高效预测是实施智能交通控制的前提。以济南市交叉口地磁数据为研究对象,对数据进行质量识别和预处理,构建了基于NARX神经网络的短时交叉口流量预测模型,并对其进行了初始化和训练。使用该预测模型对城市道路交通流量进行的短时交叉口流量预测结果显示,除流量突变时刻外,该模型预测精度较高,平均相对误差仅为8.41%,证明该模型能够较准确地预测交叉口的短时交通流量,可以为城市交通的智能化管理与控制提供依据。     

基于深度学习的PM2.5短期预测模型

为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.     

基于LS-SVM的交通流组合预测模型

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,而实时准确地交通流量预测则是实现智能交通系统和智能交通诱导控制的重要依据.针对城市交通"智能运输系统"和交通流的特性,在多元线性回归、支持向量机和改进的BP神经网络等三种预测模型的基础上,提出了基于最小二乘支持向量机方法的交通流组合预测模型.实验预测结果表明该组合预测模型具有较高的预测精度,为交通流量提供了一个更好的预测模型.     

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。     

终端区4D飞行轨迹预测与冲突预警

为提升终端区飞行轨迹预测精度,实现航空器短时冲突预警,建立一种基于孪生支持向量回归的终端区4D飞行轨迹预测模型。对历史飞行轨迹应用重采样算法,降低轨迹数据规模;利用墨卡托投影将轨迹点经度、纬度与高度化为x-y-z坐标,采用孪生支持向量回归算法学习预测模型,实现短时航空器飞行轨迹动态预测;计算两架航空器水平、垂直距离,建立航空器冲突预警指示函数;对孪生支持向量回归算法进行超参数灵敏度分析,分析各超参数对模型预测效果的影响。根据机场真实数据进行仿真实验,证明：基于孪生支持向量回归的4D飞行轨迹预测模型能够准确捕捉航空器运动趋势,且泛化能力强;所提模型x-y-z坐标预测均方根误差是BP神经网络预测结果的32%,35%和61%,单次预测计算用时减少约0.13 s。     

基于支持向量机自回归分析的股市动态预测模型及其应用研究

针对股市的非线性和不确定性的特点,本文提出了一种基于支持向量机自回归分析的股市动态预测模型。该模型利用滚动时间窗动态截取股票时间序列,然后对其进行相空间重构,最后利用支持向量机回归算法,在高维映射空间中求解线性回归问题。利用上证综指的长期和短期数据对该模型的预测效果进行了验证,并将预测结果与RBF神经网络预测模型进行了的对比。预测和对比结果表明,支持向量机自回归预测模型具有较强的泛化能力,适合于股市预测。     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型 对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已 实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数 矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率 矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模 型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据 的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方 差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现 协方差矩阵构造的有效前沿组合投资效果更佳。     

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.     

基于支持向量回归机的交通状态短时预测方法研究

提出基于支持向量回归机的交通状态短时预测方法.具体的做法是,以交通检测器收集到某时刻前几时段及上下游前几时段的交通流量、占有率、平均速度等交通参数为输入,以对应时段交通流量为输出,选取核函数,对支持向量回归机进行训练.应用训练完成的支持向量回归机,输入交通流量、占有率、平均速度,来预测下时段的交通流量.最后,以某城市道路的实时数据来对模型进行验证,预测结果表明了模型的有效性.     

基于IPSO-BP神经网络的短时交通流量预测

短时交通流量具有非线性、随机性等特点,如何准确地进行短时交通流量预测,是智能交通系统研究的一项关键内容。传统的预测模型不能实时反映短时交通流量变化特点,同时BP神经网络的交通流量预测存在收敛速度缓慢、易陷入局部极值、预测精度低等缺点。为了提高短时交通流量预测精度,提出了一种基于改进粒子群算法(IPSO)优化BP神经网络的复合预测模型,引入相对误差指标作为预测模型的评价指标,并利用实测的道路短时交通流数据对所构建的预测模型进行验证。结果表明,所提出的预测模型在短时间内寻出全局最优解,具有较好的预测精度,提高了短时交通流量预测的准确性和可靠性。     

注意力机制的长短时记忆神经网络航线订座需求预测

针对航线订座需求预测中存在的预测结果不稳定,偏差较大的问题,提出一种基于注意力机制的长短时记忆神经网络航线订座需求预测模型. 首先,对采集得到的航线订座需求数据进行数据清洗与指标计算处理;接着,对处理后的指标数据基于注意力机制做权重分配;然后进行长短时记忆神经网络航线订座需求预测模型的建立,从而得到航线订座需求的最终预测结果值. 将训练优化得到的模型应用于国内某航司的航线订座需求预测中,计算出预测结果. 实验结果表明,基于注意力机制的长短时记忆神经网络航线订座需求预测模型预测精度较高,以厦门-上海航线为例,预测结果与真实值对比,平均绝对误差为13.1,均方根误差为17.2,相比较于移动平均法、指数平滑法及循环神经网络,CNN-LSTM混合模型有较好的预测效果.     

基于粗糙集和支持向量机的股指期货预测模型研究

本文提出基于粗糙集和支持向量机的股指期货走势预测模型。在模型中首先使用粗糙集对指标集进行特征选择,剔除冗余指标,然后使用支持向量机对基于历史数据的股指期货价格走势进行预测。为了评估该预测模型的性能,将预测结果与传统的自回归移动平均模型和BP神经网络模型的预测结果进行比较。实验结果表明了该模型的有效性。     

基于深度神经网络的空气质量预测系统

提出了使用深度栈式自编码模型进行空气质量预测.选择了PM2. 5、PM10等污染物数据作为样本.本模型基于Java平台构建,进行了训练和参数调整,建立了最优的空气预测模型.根据北京市的实验结果表明,该模型具有良好的精度.与支持向量回归(SVR)模型和线性回归模型相比,本文提出的模型具有优越的性能.     

超短期风电功率预测的混合深度学习模型

针对风电功率预测(WPF)问题,提出一种基于离散小波变换(DWT)、时间卷积网络(TCN)和长短期记忆(LSTM)神经网络的混合深度学习模型(DWT-TCN-LSTM),对超短期风电功率进行预测.将DWT-TCN-LSTM模型分别与差分整合移动平均自回归(ARIMA)模型,支持向量回归(SVR)模型,长短期记忆神经网络模型和卷积长短期记忆(TCN-LSTM)混合模型进行对比实验,通过对称平均绝对百分比误差(SMAPE),均方根误差(RMSE)和平均绝对误差(MAE)3种评价指标值对各个模型进行评价.实验结果表明:DWT-TCN-LSTM模型具有较好的预测性能.     

基于K-means聚类组合模型的公交线路客流短时预测

预测公交线路短时客流是实现公交动态调度的关键技术.文中通过分析客流特性,构建了基于K-means聚类算法的组合预测模型.首先利用K-means算法将短时客流数据按照时变特征的相似度划分为不同聚类,然后为每类客流数据分别建立最小二乘支持向量机、BP神经网络、自回归滑动平均模型,并考虑天气因素的影响,用遗传算法优化模型参数,对比预测结果,从中选择每个聚类的最佳预测模型构成组合模型.最后以长沙市104路公交客流数据作为实例进行预测分析,结果显示:客流数据时变特征对模型具有选择性,K-means聚类组合模型能够更好地根据不同时段客流数据的时变特征进行分类,因而有利于提高预测绩效;考虑了天气因素的K-means聚类组合模型能进一步提高公交线路的短时预测绩效.     

基于特性和影响因素分析的短时交通流预测

可靠的短时交通流预测是智能交通系统的重要基础。为了提高短时交通流预测的预测精度和对于不同交通状态的适应性,在分析了交通流特性以及时空二维影响因素的基础上,提出了一种组合预测模型,使其能够综合反映这些特性和影响因素。该组合预测模型包括时间序列模块、空间相关模块和组合预测模块三个子模块。单项预测模型包括自适应单指数平滑模型和RBF神经网络模型,组合系数是以两个单项预测子模块的平滑百分比相对误差作为输入,以神经网络作为学习算法自适应地得到。最后通过平峰和高峰时段实测的交通流量数据来验证模型的有效性和可靠性,结果表明:该组合预测模型的预测精度高于单项预测模型各自单独使用时的精度,且对于不同的交通流状况具有较好的适应性。     

基于变结构支持向量回归的城市日用水量预测

鉴于日用水量的时变性,本文提出一种基于变结构支持向量回归的动态预测模型.利用日用水量的历史数据训练支持向量机,得到模型结构参数历史数据序列,然后利用扩展卡尔曼滤波器对模型结构参数组进行估计,最后用模型结构参数估计量来更新模型结构并预测下一天日用水量.在实例分析中分别利用变结构支持向量回归模型和支持向量机预测模型对实际用水量性进行预测分析.结果表明,前者具有更好的动态跟踪能力和更高的预测精度,可应用于城市日用水量的预测.