基于STL-Informer-BiLSTM-XGB模型的供热负荷预测

供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(Seasonal and Trend decomposition using Loess, STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB三个模型,将构建好的三个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB 模型的MAPE、MAE和MSE,分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。     

中国古典诗歌对美国现代诗歌的影响

中国古典诗歌对美国现代诗的影响，是中国文化西传产生的重要成果之一，是中西比较文学研究中一个重要的课题，它足足影响了欧美三代诗人的诗歌创作，本文试举例说明这些跨越时空的对话的主要模式和媒介，以及这种双向文化交流的现实意义。     

打造广电精细化运营网络平台

接入网的双向化是必经之路,多业务运营是未来的发展趋势,而精细化运营提升ARPU,网络平台如何满足这种新的运营模式,最后结合业界领先的精细化运营网络解决方案探讨广电方案部署。     

多媒体智能双向教学与监控系统

结合师范院校的实际情况，研究了多媒体智能双向教学与监控系统的技术路线，介绍了几种主要设备的功能和技术参数，并对其优势进行了深入的分析探讨。     

对双向应力椭圆理论的质疑

目前在套管柱强度设计中广泛应用的双向应力椭圆（塑性椭圆）理论，在其推导过程中忽略了与周向应力σｔ具有同等地位、同等重要性的径向应力σｒ，这在理论上是不正确的，并由此导致了椭圆的４个象限出现违背第四强度理论的自相矛盾现象。双向 力椭圆理论曲线与实验数据符合程度不高。所以，应当重新评价双向应力椭的正确性，研究套管柱组合强度设计的新理论。     

双向载荷对双共线裂纹干涉J积分的影响

利用二维弹塑性有限元，计算了双向载荷下双共线裂纹干涉不同路径Ｊ积分值并与单向载荷Ｊ积分值作了比较。结果表明：材料进入塑性后横向载荷对Ｊ积分值的影响必须考虑，且材料进入塑性后Ｊ积分的路径无关性已很难保证。     

物理学中的双向标量

物理学中的标量按数学性质可分为两类：一类是只需用算术量表示的，称为单向标量，如质量。，体积V，绝对温度T等。这些物理量的特点是没有负的量值，或者说其负的量值没有实际物理意义。另一类是可用代数量表示的，称为双向标量，如电荷量q，电流强度I，通量di，摄氏温度等。在物理学理论和实践中经常会遇见这些量的负值，表明它与单向标量具有不同的特点，其负的量值具有实际物理意义。因此，不能将它与单向标量等同对待，否则，会带来计算上出错甚至物理意义上的疑惑。下面拟就双向标量有关的问题进行讨论。1双向标量的真实正方向确定…     

基于VMD-BO-BiLSTM的猪肉价格预测模型

基于猪肉价格的非线性与波动性特性,提出一种基于变分模态分解（variational modal decomposition, VMD）和贝叶斯优化（Bayesian optimization, BO）的双向长短时记忆（bidirectional long short-term memory, BiLSTM）网络的猪肉价格预测方法。首先采用变分模态分解对数据进行预处理,将数据分解为具有相对简单波动的子序列;然后通过贝叶斯算法对双向长短时记忆网络模型的第1、2隐含层神经元数目、学习率和批次大小进行寻优,根据寻优的结果建立预测模型。实验结果表明：VMD-BO-BiLSTM方法的平均绝对误差、均方根误差、平均绝对百分比误差和确定系数分别为1.101 214、1.466 100、0.040 631、0.987 760,相比传统单一的LSTM,BiLSTM模型精确度更高,有更高的适用性,适合对猪肉价格预测。     

基于TCN-BiLSTM的网络安全态势预测

针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题,提出一种基于时域卷积网络(temporal convolution network, TCN)和双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络的预测方法。首先,将TCN处理时间序列问题的优势应用到态势预测上学习态势值的序列特征;随后,引入注意力机制动态调整属性的权值;然后,利用BiLSTM模型学习态势值的前后状况,以提取序列中更多的信息进行预测;利用粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,提升预测能力。实验结果表明,所提预测方法的拟合度可达0.999 5,其拟合效果和收敛速度均优于其他模型。