基于深度学习的商品销售预测研究

文章基于深度学习方法,通过结合粒子群优化(Particle Swarm Optimization,PSO)和长短期记忆(Long Short Term Memory,LSTM)网络,提出了一种针对大数据的商品销售预测模型。文章首先分析了LSTM的结构,其次分析了PSO方法对LSTM的优化方式,提出了PSO-LSTM商品销量预测模型,最后使用Kaggle上的数据集进行训练和测试。将所提出的模型与标准LSTM模型进行比较,结果表明,所提方法的预测精度和稳定性均优于标准LSTM方法。     

基于敏感参数发现的区域重点污染物浓度预测

污染物浓度变化趋势对于环境监测工作意义重大.现今各种前馈神经网络预测模型的输出结果仅与当前输入有关,无法研究污染物数据前后依赖关系.且多种污染物具有相同排放源,污染物间往往存在潜在关联关系,一种污染物的变化可能反映另一种污染物变化,所以在预测中需考虑其他敏感参数的影响.针对上述两个问题,提出一种基于敏感参数发现的区域重点污染物浓度预测方法.应用关联规则算法及多元回归分析挖掘出各污染物的敏感参数,构建多变量LSTM预测模型,将待预测污染物及其敏感参数作为预测模型特征变量,进行污染物的浓度预测.实验结果表明本文方法可有效预测污染物浓度变化趋势,预测效果优于未经关系发现的LSTM模型.     

基于深度学习的服装流行趋势预测研究

现有的服装流行趋势预测方法多采用传统的时间序列预测方法,数据来源多为电商网站的销售数据,在预测精度方面具有较大的误差。为解决此问题,文章提出了一种基于卷积神经网络、双向长短时记忆（Bidirectional Long Short-Term Memory,BiLSTM）网络和注意力机制的服装流行趋势预测模型。实验结果表明,本文提出的模型在服装流行趋势预测中优于传统的时间序列预测模型和简单的深度神经网络模型。     

出租车目的地预测的深度学习方法

出租车目的地预测可以掌握出租车的流动方向,便于出租车调度。已有的预测方法多仅利用轨迹序列的原始特征作为预测模型的输入,忽略了原始特征背后的时空数据,造成轨迹时空信息缺失。针对以上问题,提出出租车目的地预测的深度学习方法DLDP。首先采用滑动窗口,基于速度、转角利用统计量计算得到轨迹的高层特征。其次,自动编码器将高层特征转换为固定长度的潜在空间表示,得到轨迹的深度特征。最后,将深度特征和原始特征相结合,一同作为LSTM的输入进行预测。实验表明,DLDP比传统RNN预测模型的准确率提高了9%,平均距离误差减少了1 km。     

基于深度学习的伺服系统状态预测算法

针对传统状态预测方法难以从伺服系统历史数据中有效提取特征的问题,提出一种基于深度学习的伺服系统状态预测算法。该算法利用长短时记忆网络LSTM(Long Short-Term Memory)从时序和特征参数两个维度在系统状态参数中提取数据特征。并在多任务学习MTL(Multi-task Learning)框架下将具有相同特征参数的预测任务整合到同一个模型当中,所有预测任务共享LSTM网络权重。在每一状态参数预测阶段,独立地引入注意力机制,以调节不同时刻、不同特征对所预测状态的影响。针对应用中预测参数的重要性不同,构建加权损失函数,以减小重要参数的预测误差。实验结果表明,该算法与传统LSTM模型、单任务模型STL-LSTM相比,预测误差平均降低40.9%、19.8%。     

基于BP神经网络的空调物料库存预测研究

空调制造中需要的物料种类较多,物料的供应风险和产品重要程度对空调物料的库存量有着极大影响,影响着企业库存总成本。通过卡拉杰克矩阵对空调物料进行分类研究,建立了基于BP人工神经网络的空调物料预测模型。笔者根据空调物料企业库存数据,验证了模型的有效性。     

基于深度强化学习的配件库存决策研究

针对供应链中制造厂配件中心库的库存决策问题,充分考虑库存限制因素及复杂多变的配件需求特性,将库存决策这类序贯决策问题建模为马尔可夫决策过程,并通过深度强化学习算法对该库存决策模型进行求解,以探索不确定需求下不同需求特性配件的最优订货量,从而达到企业利润最大化的目的。实验结果表明,基于深度强化学习的库存决策能够在充分贴合现实情况的前提下有效提高企业利润,具有实际应用价值。     

基于改进神经网络的智能库存管理应用研究

随着电子技术的进步、世界经济一体化、全球化局面的出现,企业对知识和信息的有效管理已日益紧迫,可以说企业管理正进入新的理念。该文将改进的粒子群算法优化BP神经网络应用于库存管理系统中,建立库存预测模型为库存管理智能化提供辅助决策。从而使企业生产库存管理可以有效的对库存量进行控制,使库存量维持在一个比较合理的水平,将给企业带来巨大利益,因此对该方法的研究具有非常重要的现实意义。     

激光质谱中基于数据挖掘的激光输出功率预测技术研究

由于激光质谱系统逻辑结构复杂多样,激光输出功率是激光质谱系统进行的关键条件之一,提前掌握激光输出功率未来状态的发展趋势可为激光质谱系统运行决策提供重要依据,因此进行激光质谱系统激光输出功率的预测技术研究非常必要。采用M5预测模型、线性回归模型、向量机模型对质谱系统的激光输出功率历史数据进行了建模及预测分析,通过比较几个预测模型的预测误差及平均误差,结果表明M5预测模型的预测结果相对最优。通过对激光输出功率历史数据的分析及预测,确定了激光质谱系统激光输出功率的研究预测模型。     

基于深度学习的非线性广义预测控制

针对一类离散时间单输入-单输出(single-input single-output, SISO)非线性动态系统,将非线性切换控制与基于深度学习的未建模动态估计方法相结合,提出了一种新的非线性广义预测控制方法。该方法针对未建模动态的未知增量,通过使用基于深度学习技术的长短记忆神经网络(long short-term memory, LSTM)进行预估,设计了一种带有未建模动态增量估计的非线性广义预测控制器,增强控制性能。对所提的控制算法进行了稳定性和收敛性分析,最后通过数值仿真实验验证了所提方法的有效性。     

基于深度学习的短时道路交通流量预测研究

准确的短时交通流量预测有利于主动交通控制和出行者的出行规划,文章提出了一种改进的长短期记忆模型(ILSTM)来对短时道路交通流量进行预测。LSTM是RNN的变体形式,在处理时间序列数据上具有优势,所以适合来预测短时交通流量,并通过仿真实验来验证所提方法的有效性,构建了以LSTM为基础的深度学习模型,与其它传统模型支持向量机(SVR),长短记忆模型(LSTM)进行了比较分析,并调整了模型的超参数以分析对模型性能的影响。     

基于LSTM算法的云资源库存需求预测

针对云资源库存需求存在着预测实际效果差等问题,通过分析云资源库存需求历史数据的时间序列特征构建长短期记忆（Long Short Term Memory,LSTM）模型,使用A公司数据集设计LSTM与Prophet的对比实验。结果表明,与Prophet算法相比,LSTM网络模型能够较好地预测云资源库存需求的变化趋势,且预测误差较低。     

基于深度学习的网站权威性预测

网站权威性一般是由外部链接来衡量,高质量的外部链接越多,网站的权威性就越高;常用的评价网站权威性的算法有PageRank等,然而该类算法对网站权威性的影响是有选择性的,使得这种方法具有一定的弊端.本文利用深度学习的方法,通过将搜索词和网址映射为向量,计算两个向量之间的相似度来评判在某个搜索词下不同网址的权威性,把计算结果相似度高对应的网站称为在该搜索词下权威性高的网站,从而从另一种角度去衡量网站的权威性.通过对比使用Word2vec和LSTM两种不同的模型实验,在对公开的数据集上的实验结果表明使用这两种模型是有效的,其中LSTM模型比Word2vec模型的效果要好.     

基于神经网络的气象备件库存预测控制可用性研究

现有气象备件库存预测控制方法以可修复备件管理多级法为主要依据,具有一定的局限性,存在着数据拟合度低的问题,为此提出基于神经网络的气象备件库存预测控制可用性研究.依据BP神经网络构建气象备件库存需求预测模型,拟合已知数据之间的非线性关系,计算数据非线性相关系数,选取模型输入数据,得到气象备件库存需求量,依据COV分析法计...     

基于神经网络库存融合控制技术

神经网络控制系统通常会面临多种选择,如样本的训练方式、神经网络的算法等,不好的选择会降低预测率.BP(Back Propagation)神经网络库存控制系统融合多种库存控制技术,利用BP算法对学习的精度和收敛的速度进行改进,能比较精确地预测库存.讨论了有关BP神经网络的算法及算法改进等问题,以品牌服装库存控制为例,提出用神经网络的多层感知器实现库存融合控制.     

基于深度学习的多尺度风功率预测的研究

能源结构的改革,新能源行业的高速发展,风电装机容量的逐步增加,使得风电在整个电网体系中占比增多,风电功率预测对风电安全、稳定及高效并入电网具有重要意义,但准确预测风电功率存在一定难度,基于此现状本文展开了相关研究。首先,介绍了风电领域发展背景及国内外研究现状;其次,从数据预处理、特征选择及风功率建模方法 3个方面讲述了风功率预测的整体建模流程;再次,通过实验分析了不同特征选择方法、不同组合算法及不同时间尺度对风功率预测实验结果的影响;最后,结合实验分析,给出了基于深度学习的多尺度风功率预测相关结论。