基于自适应VMD-Attention-BiLSTM的交通流组合预测模型

针对短时交通流量序列的非平稳性和随机性的特征,为提高短时交通流预测精度和收敛速度,提出一种基于自适应变分模态分解(VMD)和结合注意力机制层的双向长短时记忆网络(BiLSTM)的组合预测模型。首先,使用自适应变分模态分解将时空交通流量序列分解为一系列有限带宽模态分量,细化了交通流信息,降低了非平稳性,提升了建模的精确度;其次,利用结合注意力机制的双向长短时记忆网络挖掘分解后交通流量序列中的时空相关性,从而揭示其时空变化规律,从而进一步提升了建模精确度,并且利用改进Adam算法进行网络权值优化,以加速了预测网络的训练收敛速度;最后,将各模态分量预测值叠加求和作为最终交通流预测值。实验结果表明,使用模态分解的预测模型预测性能明显优于未使用模态分解的预测模型,同时自适应VMD-Attention-BiLSTM预测模型相较于EEMD-Attention-BiLSTM预测模型,均方根误差降低了47.1%,该组合预测模型提升了预测精度,并且能够快速预测交通流量时间序列。     

基于深度残差网络的短时交通流量预测

建立了一个深度残差网络模型用来进行短时交通流量预测。考虑到短时交通流量数据具有时空相关性,通过采用最小角回归拟合L1正则化损失函数的方法挖掘出了预测路口与上下游路口的时空相关性,并且构建了基于时空关联性的深度残差网络预测模型。采用了美国芝加哥i-55公路的交通数据集进行了模型验证,通过实验表明预测模型比传统的预测模型准确率提高近2%~4%,可以看出该模型一定程度上提高了预测精度。     

基于改进 VMD-GAT-GRU 的交通流量组合预测模型

针对短时交通流时间序列非平稳性、空间相关性和时间依赖性的特点,为提高短时交通流预测模型的预测精度和收敛 速度,该文提出了一种基于改进的变分模态分解(VMD)、图注意力(GAT)网络和门控循环单元(GRU)网络的交通流量组合预 测模型。 首先,利用互信息熵(MI)改进的变分模态分解算法,将交通流量时间序列分解成一系列调幅调频信号子序列,降低了 时序信号的非平稳性,提高后续预测模型的预测精度;然后,将其输入图注意力网络,捕捉路网邻近节点的交通流量对中心预测 节点交通流量不同程度的影响,从而实现交通流量序列的空间相关性建模,进一步提高模型预测精度;接着,将交通流量分量子 序列分别送入门控循环单元网络,捕捉其时间依赖性,并使用改进的 RMSPRop 优化算法迭代寻优,在提升优化算法收敛速度的 同时提高了模型的预测精度;最后,结合各分量子序列的预测值,作为预测模型的最终输出。 实验采用 RTMC 系统交通数据,结 果表明,该文提出的改进 VMD-GAT-GRU 时空融合组合预测模型相较于 LSTM、GCN 和 GAT 基准模型,平均绝对误差(MAE)分 别降低 9. 35、4. 12、4. 09,平均绝对百分比误差(MAPE)分别降低 16. 42%、7. 32%、8. 1%,优化算法的收敛速度和组合模型的预 测精度均得到有效提升。     

融合多元时空信息的Informer-AD大坝变形预测模型

针对大坝变形时间序列预测问题，考虑多测点变形相关性，建立变形量时空多维输入矩阵，提出一种基于K-means聚类融合多元时空信息的Informer-AD大坝变形预测模型。首先，采用K-means聚类对变形测点进行分区；其次，引入面板数据回归模型分析分区结果；最后，提出融合多元时空信息的Informer-AD大坝变形预测模型。利用该模型对空间特征序列进行学习，通过全连接层整合空间特征，输出预测的大坝变形值。将上述预测模型运用于CT混凝土重力坝，结果表明，本文所提出的考虑时空关联性的预测方法充分挖掘大坝变形整体性态与测点空间分布特性的关系，能够更好地捕捉变形时空特性，进而提高预测精度。     

基于D-S证据理论的短期负荷预测模型融合

在各种预测模型融合时确定各种模型的权重直接影响到预测精度.对3种不同的神经网络负荷预测模型分别建立了权重提取和权重融合的数学模型,并运用证据理论对3种预测模型的权重进行融合.通过对历史预测数据的分析,提取了证据理论的融合样本,并将信度函数的多重融合结果作为负荷预测模型权重,得到权重融合后待预测日的负荷预测结果.将权重融合模型的预测结果与单一模型的预测结果进行比较,结果表明权重融合后的模型具有更高的预测精度,提高了负荷预测的准确性.     

基于图机器学习的分布式光伏发电预测

文章基于图机器学习提出了一种面向分布式光伏电站的深度时空特征提取预测模型。首先,针对临近区域的光伏电站进行图建模,使用长短期记忆(long short-term memory,LSTM)模型进行时间特征抓取,使用图卷积原理对电站空间特征进行提取。根据提取的时空特征信息以及历史数据和临近其他区域内光伏电站历史发电数据,训练光伏发电预测模型。以国内某地266个光伏电站为实验对象,实验结果表明基于图机器学习的预测模型进行日前预测,预测误差率仅为5.66%,低于其他机器学习模型预测结果。该模型针对光伏电站15min前发电预测可以捕获当天瞬间出力变化曲线。     

基于混沌CSO优化时序注意力GRU模型的超短期风电功率预测

高精度的风电功率预测对风电的并网运营至关重要.为提取风电功率输入序列隐含的时间信息,建立以门控循环单元为基础的预测模型;并在模型输入侧引入时序注意力机制,通过与输入进行加权的方式提高模型对关键历史时间节点的敏感性.为加速模型收敛,在训练的早期利用动态混沌纵横交叉算法优化预测模型的权值和阈值;同时,通过构造多指标共同作用并联合待优化参数的正则项作为目标适应度函数,以避免优化过程中模型泛化性问题的出现.以某风电场采集间隔为1h和10min的实测数据进行实验,结果表明所提组合预测方法性能优于其他对比模型,并对其有效性进行了验证.     

基于 FEEMD-SAPSO-BiLSTM 组合模型的 短时交通流预测

为了提高短时交通流的预测精度和预测速度,基于交通流量序列的不平稳性和随机性,提出了快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)和自然选择自适应变异粒子群算法(selection adaptive particle swarm optimization,SAPSO)优化双向长短时记忆网络(bidirection long short-term memory,BiLSTM)相结合的预测模型.首先,利用FEEMD将原始不平稳的交通流量序列分解成多个较平稳的固有模态分量(intrinsic mode function,IMF)和残差分量(resdiue,Res),并滤除掉噪声部分,提高建模精度;其次,引入复合多尺度排列熵(composite multiscale permutation entropy,CMPE)检测交通流量子序列的随机性并根据随机性的相近程度对其进行聚类重组,简化模型的构建,提高预测精度;然后,对重组后的子序列使用BiLSTM进行预测,并利用SAPSO优化BiLSTM的权值和阈值,进一步提高组合模型的预测精度和预测速度;最后,将各子序列预测值叠加得到最终的预测值.实验结果表明,FEEMD-SAPSO-BiLSTM组合模型的均方根误差比FEEMD-PSO-BiLSTM和SAPSO-BiLSTM组合模型分别降低了22.9％和54.3％,收敛速度方面,FEEMD-SAPSO-BiLSTM明显快于FEEMD-PSO-BiLSTM模型.因此在预测短时交通流上,提出的组合模型提高了预测精度和预测速度,达到了期望的预测效果.     

基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测

不同于风速点预测,风速区间预测能描述风速的随机性。因此,提出一种基于奇异谱分析-模糊信息粒化和极限学习机组成的风速多步区间预测模型。该方法采用奇异谱分析提取原始数据的趋势成分、振荡成分和噪声成分,并对所有分量进行重构,然后利用模糊信息粒化对重构后的噪声成分进行有效挖掘,提取每个窗口最小值、平均值和最大值。对各分量采用极限学习机分别建立预测模型,为了提高预测精度、缩小区间范围,采用改进布谷鸟算法对预测模型的参数进行优化。最后将所有分量的预测结果进行叠加,实现风速区间预测。以风电场实际数据为算例,结果表明所提方法具有较高的预测精度和可靠的多步区间预测,且运行效率高,能有效跟踪风速变化。     

基于MSTAGNN模型的可解释海上风电场多风机出力预测

现有海上风电场出力预测研究对复杂时空关系考虑不足,且多为“黑盒”模型,缺乏可解释能力。为充分挖掘时空关联并实现模型可解释,提出一种基于多重时空注意力图神经网络(MSTAGNN)的海上风电场出力预测模型。首先,构建了一种考虑空间关联的海上风电场图拓扑,并引入空间注意力机制实现图拓扑的动态变化;其次,分别利用图卷积网络和时间门控卷积网络有效提取空间和时间特征;接着,对所提模型引入多维多头注意力机制,使其获得多重可解释能力;最后,基于中国东海大桥风电场真实数据进行仿真验证。结果表明,所提模型相比传统预测模型具有更高的预测精度,同时在空间、特征、时间多个维度具有合理的可解释性。