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PaddlePaddle的股票预测深度学习模型

利用上证指数股票历史数据中的开盘价、收盘价、最低价、最高价、交易量、交易额、跌涨幅等数据,通过对股票数据进行归一化等预处理操作后,使用Python语言和PaddlePaddle库编写算法程序,构建股票预测的LSTM神经网络模型,对上证指数的股票下一日的最高价股票价格进行分析预测,预测结果显示本文所构建的基于PaddlePaddle的LSTM神经网络模型能够取得较好的预测效果,可见基于PaddlePaddle的股票预测深度学习模型有很好的应用前景.     

基于深度学习和小波分析的 LSTM-Wavelet 模型股价预测

针对股价数据具有高噪声、非线性和非平稳性等特征,使得股价精确预测非常困难的问题,提出小波-长短 记忆网络(LSTM-Wavelet)模型应用于股价预测。 首先,利用小波(Wavelet)分解降低金融时间序列的不稳定性,并 分析小波系数的细节特征;接着,发挥长短记忆网络(LSTM)模型的优势,深层挖掘小波系数中的长期依赖关系,对 分解后的各层小波系数分别建模预测;最后进行预测小波系数的数据重构。 使用中石油近两年的股价数据进行实 证分析,以每个交易日的开盘价、最高价、最低价、交易量为特征输入,预测当日中石油的收盘价。 结果表明:相较 于标准 LSTM 模型和小波- ARIMA (ARIMA-Wavelet)模型,提出的 LSTM-Wavelet 模型有更好的预测效果; 通过 小波分析将复杂股票数据,分解为长短记忆网络(LSTM)容易识别的小波系数,根据各层小波系数不同的数据特征 进行分层预测,提高了预测精度。     

用于智能电网电价预测的深度学习模型

针对机器学习方法在大型数据集上电价预测准确性低等问题,本文提出一种基于大数据时间序列的深度学习电价预测模型,用于智能电网的电价预测.该模型首先将收集到的数据进行预处理规范化,采用Relief F算法和互信息(Mutual Information,MI)的混合模块进行特征选择,其次将改进后的特征赋予核主成分分析(Kern...     

一类具有区间值参数竞争模型的稳定性分析

本文提出并研究了一类具有区间值生物参数和饱和效应的两种群竞争模型.应用相关理论知识和分析技巧,研究了该模型正平衡点的存在唯一性和稳定性.本文最后还讨论了生态经济平衡点的存在性和最优收获策略.     

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.     

一类多时滞区间系统的鲁棒绝对稳定性分析

在Lurie系统具有多时滞的情形下,利用线性矩阵不等式及Lyapunov稳定性理论,给出Lurie型直接控制系统和间接控制系统的鲁棒绝对稳定的2个新判据.     

线性回归模型的置信区间与预测区间应用分析

论述线性回归的因变量置信区间和因变量个别值的预测区间原理后,结合实例分析了学生总数与季度营业额2个变量的关系.研究发现,学生总数与季度营业额关系存在很强的正向线性关系(r=0.950 1),可决系数（R2=0.902 7）可以解释总平方和中的90.27%,表明其拟合度很好.之后,给出了因变量平均值的置信区间、因变量个别值的预测区间及图形.     

多变量弱信息非线性预测问题的一类组合模型

针对预测研究中,变量指标较多,数据携带的信息较弱且和预测变量是非线性关系。造成预测模型构建困难且预测结果稳定性不强的问题,提出了构造非线性组合模型的方法,解决了上述问题。应用于华北地区的地震预报,取得了较好的效果。     

基于多特征融合和深度学习的微观扩散预测

准确地预测社交网络中的信息扩散节点可以对谣言、计算机病毒等不良信息的传播以及信息泄露做到早检测、早溯源和早抑制。为了提高微观扩散预测精度,该文提出了一个基于多特征融合和深度学习的微观信息扩散预测通用框架(MFFDLP)。为了获取信息扩散的时序特征,基于信息扩散序列和社交网络图,采用门控循环神经网络提取局部时序特征和全局时序特征,并融合形成信息扩散序列表征;为了获取用户交互行为和兴趣爱好的动态表示,根据历史信息构建信息扩散图,使用级联图注意力网络提取信息扩散子图中节点特征和边特征,并通过嵌入查找,融合形成当前信息扩散序列中相应节点的动态扩散表征;使用双多头注意力机制,进一步捕获静态和动态扩散特征的上下文信息,实现了高精度微观扩散预测。在3个公共数据集上的对比实验结果表明：所提方法优于对比方法,在微观扩散预测的精度上最高提高了9.98%。     

多AUV分布式模型预测深度和纵向速度控制

针对多自主水下航行器（Autonomous Underwater Vehicle,AUV）的深度和纵向速度耦合控制问题,提出一种基于分布式模型预测控制（Distributed Model Predictive Control,DMPC）的双子系统控制方法 .在DMPC的框架下,AUV和邻居共享信息以建立预测优化问题,实现多AUV的协同控制.考虑单个AUV的深度和纵向速度控制,深度控制子系统参考轨迹中的俯仰角序列作为速度控制子系统中俯仰角的实际值,同时纵向速度控制子系统参考轨迹中的纵向速度序列作为深度控制子系统中纵向速度的实际值,由此解耦为两个子系统,进而独立地求解预测优化问题.仿真实验结果表明,相对于整体系统DMPC方法,本文提出的双子系统DMPC方法可在牺牲一定深度控制收敛速度的基础上降低计算时间73.3%.     

基于数据驱动的盾构竖向姿态预测深度学习模型

在盾构掘进过程中,竖向姿态控制难度较大,盾体常与设计轴线产生偏差。为解决既有盾构姿态预测模型无法准确提取数据特征和有效去除数据噪声的问题,充分挖掘盾构掘进实测数据时间序列信息,依托合肥地铁7号线耕耘路站—清潭路站区间盾构隧道工程,对收集的掘进数据进行预处理,包括去除停机状态数据及异常数据,提出用于盾构竖向姿态预测的CNN-LSTM组合模型,并将测试集上的模型预测结果与传统回归模型进行对比,最后对不同样本数量及固定网络参数时的模型性能进行研究。研究结果表明：CNN-LSTM组合模型对盾构竖向姿态的预测效果较好,在测试集上的预测平均绝对误差E_MA和均方根误差E_RMS较低,同时预测的决定系数R²较高,表明模型具有较小的预测误差和较高的预测精度;与ARIMA、LSTM和SVR模型相比,CNN-LSTM模型在测试集上预测的R²分别提高了1.04%、19.75%和79.63%,此外,模型的预测E_MA和E_RMS较低,并且训练耗时显著降低;不同训练集样本数量对CNN-LS...     

一类多目标优化问题的区间斜率法

讨论了一类多目标优化问题的区间斜率方法,其中目标函数是一阶连续可微的。结合评价函数法将多目标优化问题转化为无约束的minimax问题,通过构造目标函数的区间扩张无解区域删除原则,建立求解minimax问题的区间算法,并证明了算法的收敛性。结合数值算例,理论证明和数值结果可靠有效。     

一类多准则决策问题的区间线性规划交互式算法

对于决策方案中的决策指标值为区间数的多准则决策问题提出了一种区间线、性规划交互式算法．     

一类非定常流动模型解的存在区间估计

本文对于一类光滑边界的河渠非定常流动模型问题,给出了其经典解的存在区间估计。     

基于深度学习的多语言跨领域主题对齐模型

在主题深度表示学习的基础上,该文提出了一种融合双语词嵌入的主题对齐模型(topic alignment model, TAM),通过双语词嵌入扩充语义对齐词汇词典,在传统双语主题模型基础上设计辅助分布用于改进不同词分布的语义共享,以此改善跨语言和跨领域情境下的主题对齐效果;提出了2种新的指标,即双语主题相似度(bilingual topic similarity, BTS)和双语对齐相似度(bilingual alignment similarity, BAS),用于评价辅助分布对齐的效果。相比传统的对齐模型MCTA, TAM在跨语言主题对齐任务中双语对齐相似度提升了约1.5%,在跨领域主题对齐任务中F1值提升了约10%。研究结果对于改进跨语言和跨领域信息处理具有重要意义。     

选择性搜索和多深度学习模型融合的目标跟踪

提出一种基于深度学习的多模型(卷积神经网络和卷积深信度网络)融合目标跟踪算法.该算法在提取候选粒子方面,使用选择性搜索和粒子滤波的方法.CVPR2013跟踪评价指标(50个视频序列、30个跟踪算法)验证了:该算法在跟踪中能有效地缓解目标物体由于遮挡、光照变化和尺度变化等因素造成的跟踪丢失情况的发生.     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks, CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders, SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明：利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。     

一类多险种风险模型

本文将经典的风险模型推广为多险种风险模型;应用鞅方法;得到最终破产概率和Lundberg不等式.