基于多组件融合与空洞图卷积的车道占用率预测模型

为解决交通拥堵和交通硬件资源分配不足等问题,提出一种基于多组件融合与空洞图卷积的车道占用率预测模型MCFDGCN。针对交通数据的非线性和受多种隐式因素影响的特点,利用图卷积提取交通数据的空间相关性,使用空洞卷积提取时间依赖特征,将车流量和车辆速度作为2个隐式因素引入模型中,对多组件提取的影响车道占用率的多模态特征进行融合,以完成车道占用率预测任务。在PeMS7（O）、PeMS7（4）数据集上进行实验,结果表明,与HA、ARIMA等模型相比,MCFDGCN模型预测误差较低且误差增长较缓慢,能实现更精准的车道占用率预测。     

基于差异补偿和短期采样对比损失的城市电力负荷预测方法

城市电力负荷预测是城市智能电网规划和调度的一项重要内容。然而,城市电力负荷预测中存在数据不均的问题,给城市电力负荷预测带来了巨大挑战。传统的基于单一模型的方法难以解决数据不均的问题,而现有的基于多模型的预测方法根据电力负荷分布将数据集拆分成多个子数据集,然后分别建立多个预测模型进行预测,该类方案在一定程度上解决了数据不均问题,但存在模型构建成本较高、不同分布样本间共有的电力分布特征发生分离等问题。基于此,提出了一个轻量级城市电力负荷预测模型(Lighten-DCSC-LSTM)。该模型通过在长短期记忆网络的基础上引入差异补偿的思想和短期采样对比损失进行构建,同时构建共享特征提取层来降低模型构建成本。其中,差异补偿思想通过学习不同电力负荷分布样本之间的差异对主序列预测模块的预测结果进行差异补偿,短期采样对比损失通过动态类中心的对比学习损失对模型的训练进行正则化。为了验证模型的性能,进行了参数调优和对比实验。对比实验结果表明,模型在预测电力负荷的任务中取得了良好的性能。     

基于小样本数据和深度残差网络的月度供电量预测研究

针对传统预测模型在样本不足的情形下,无法实现高精度月度供电量预测的问题,提出了一种基于改进的生成对抗网络数据增强方法,能够将大粒度的月度统计信息,同分布分解为按天统计的供电量信息,实现了数据增强与样本集的有效扩充.基于该样本集,运用深度残差网络构建用于月度供电量预测的深层模型.算例分析标明,所提出的方法能够在原有同类型...     

基于改进回声状态网络的网络热点话题预测

网络热点话题具有时变性和非线性,灰色、负面热点话题对社会稳定产生不利影响。为了提高网络热点话题的预测精度,提出一种基于改进回声状态网络的热点话题预测模型(MESN)。首先构建网络热点话题的学习样本,然后采用回声状态网络建立网络热点话题预测模型,并利用改进粒子群优化算法对回声状态网络参数进行优化,建立最优网络热点话题预测模型,最后应用具体网络热点话题数据进行仿真实验。结果表明,该模型不仅提高了网络热点话题预测精度,而且加快了网络热点话题的建模速度,可以满足网络热点话题在线预测。     

基于信息融合的电信客户流失预测研究

针对数据挖掘方法在电信客户流失预测中的局限性,提出将信息融合与数据挖掘相结合,分别从数据层、特征层、决策层构建客户流失预测模型。确定客户流失预测指标;根据客户样本在特征空间分布的差异性对客户进行划分,得到不同特征的客户群;不同客户群采用不同算法构建客户流失预测模型,再通过人工蚁群算法求得模型融合权重,将各模型的预测结果加权得到预测最终结果。实验结果表明,基于信息融合的客户流失预测模型确实比传统模型更优。     

基于注意力机制和残差网络的地铁客流量预测方法研究

研究基于注意力机制和残差网络的地铁客流量预测方法,达到提高客流量预测精度的目标,为城市交通智能管理提供数据保证。在地铁客流量预测问题描述的基础上,构建基于注意力机制和残差网络的客流量预测模型,将历史客流量数据划分成近邻、日周期、周周期模式时间序列数据,将其与客流量外部影响因素数据作为模型输入,分别利用结合ResNet34残差模块和分割注意力机制模块的ST-SANet网络,以及LSTM网络捕捉其更深层次多尺度信息特征,利用全连接层完成各部分输出特征的融合拼接,经过激活函数处理后,输出地铁客流量预测结果。实验结果表明：该方法可实现地铁客流量预测,学习率参数为1×10^-4时,地铁客流量预测损失最低;预测周期设定为15 min时,预测曲线与实际客流曲线贴合度最高。     

基于ARMA-RESN的网络流量预测

为了获得更加理想的网络流预测结果,融合回声状态网络和自回归移动平均模型的优点,提出一种基于ARMA-RESN的网络流量预测模型。分别采用自回归移动平均和回声状态网络对网络流量线性变化特征和非线性变化特性进行建模与预测,对自回归移动平均和回声状态网络的预测结果进行融合,得到网络流量的最终预测结果,最后采用具体网络流量数据以及多个对比模型进行了仿真实验。仿真结果表明,相对于其他网络流量预测模型,ARMA-RESN不仅提高了网络流量的预测精度,而且具有更好的鲁棒性。     

LAN/WLAN集成网络的可靠性评估及预测研究

以LAN/WLAN集成网络为例,首先从业务性能的角度给出了网络可靠性的定义,并基于此定义利用熵权双基法对其进行了可靠性评估;然后利用一种新的改进PSO-BP融合算法建立了可靠性预测模型,并以可靠性评估数据为样本设计了三组实验,仿真结果证明了该模型在网络可靠性预测精度方面的优越性。     

基于回归分析方法的网络故障预测

结合回归预测模型,提出一种对网络中单个组件故障率的多项式回归预测模型.通过将多项式回归模型转化成多元线性回归模型求解参数,得到预测方程.利用检验预测回归方程和回归系数显著性,得到同实际故障统计数据拟合的效果优于原方程的新预测方程.使用一组网络组件的故障率数据对预测方程进行验证,结果表明,在根据预测误差低于2％的要求而确定的预测区间内,该方法可以为网络中单个组件故障率预测提供决策依据.     

基于民调与网民情感倾向性的选情预测模型

为接近真实民意,提高选举预测的准确性,提出融合民调与网民情感倾向性的选情预测模型。针对民调数据,利用基于时间序列的数据修正模型减小民调机构的倾向性,并利用反向归一化方法推理民调数据中未表态人群的政治倾向;针对社交网络数据,基于网民情感分类量化模型进行选情预测;提出基于熵值法的选情融合预测模型,利用熵值法融合修正的民调信息与网民情感倾向性信息预测选举结果。以某地区真实历史选举结果为基准的实验表明,所提模型在准确率和平均相对误差指标上优于民调结果或网民情感分析结果。     

基于深度残差网络的电力系统暂态稳定预测

电力系统稳定性预测存在映射维度不匹配的问题,导致预测精准性下降,提出基于深度残差网络发热暂态稳定预测方法.将残差单元融入深度残差网络,利用跨层短连接的恒等映射与残差函数,完成线性映射到非线性映射的转换,根据输入特征维度,架构用于暂态稳定预测的深度残差网络模型,通过划分神经网络处理后未知样本,采用交叉熵损失函数,优化深度残差网络模型,基于样本特征与标签数据集,结合样本标注规则,构建出由数据生成、离线训练以及模型应用模块构成的暂态稳定预测方法.仿真数据选取新英格兰10机39节点系统与三组底层量测数据,预测结果具有较为理想的稳定性、精准性以及鲁棒性,且时间复杂度较低.     

基于图卷积网络的短时交通速度预测

交通预测是构建智能交通系统的重要技术,实时准确的交通预测有利于规划路线,提高出行效率。为提高交通速度预测精度,提出一种基于图卷积网络的短时交通速度预测模型。首先对交通速度数据进行时空特征分析,然后结合数据空间特性构造可学习的邻接矩阵来建立图卷积网络,同时考虑到交通数据的时间特性,因此在图卷积的基础上又添加了长短期记忆网络和注意力机制来共同构建预测模型。实验结果表明由于同时考虑了交通速度数据的时空特性,本文模型均方根误差、平均绝对误差和平均绝对百分比误差均小于传统模型和单个模型,验证了提出的模型预测精确度更高。     

基于RBF网络的足球点球轨迹预测

基于计算机视觉线性化轨迹预测模型在预测足球轨迹时,只能保证局部稳定性,存在轨迹跟踪局部稳定性问题和parking问题,提出了基于RBF网络的足球点球轨迹预测方法。建立足球运动状态传感信号解析模型,计算足球飞行地心重力、空气阻力、空气浮力、自身旋转时产生的马格努斯力的参数。建立足球飞行过程中的飞行受力解析模型,鉴于多参数模型复杂度过高,产生parking问题。利用RBF网络模型简化能力,建立飞行轨迹预测模型,结合并行滤波控制器,融合以上所有信息,在已知视觉概率计算的基础上,完成足球飞行轨迹的状态估计,并将其误差的协方差计算作为滤波控制的输入值,从而得到所有方差、均值的数据。最后获得足球在任意时刻的运动状态函数,完成预测。实验结果显示,该方法的足球运行轨迹吻合度为12 mm,且落点距离标准差最大仅为0.0412 m,因此,该预测方法能够得到精度更高的预测数据。     

基于深度残差生成式对抗网络的样本生成方法

作为样本生成的重要方法之一,生成式对抗网络(GAN)可以根据任意给定数据集中的数据分布生成样本,但它在实际的训练过程中存在生成样本纹理模糊、训练过程不稳定以及模式坍塌等问题.针对以上问题,在深度卷积生成式对抗网络(DCGAN)的基础上,结合残差网络,设计一种基于深度残差生成式对抗网络的样本生成方法RGAN.该样本生成方法利用残差网络和卷积网络分别构建生成模型和判别模型,并结合正负样本融合训练的学习优化策略进行优化训练.其中:深度残差网络可以恢复出丰富的图像纹理;正负样本融合训练的方式可以增加对抗网络的鲁棒性,有效缓解对抗网络训练不稳定和模式坍塌现象的发生.在102 Category Flower Dataset数据集上设计多个仿真实验,实验结果表明RGAN能有效提高生成样本的质量.     

基于时空融合的网络流量预测模型研究

准确的网络流量预测能够合理分配通信网络的资源，有效提高网络的通信质量。然而通信网络复杂的拓扑结构和动态性给流量预测增加了难度。传统的流量预测模型存在预测精度低、特征单一等缺陷，经过对网络流量预测算法的研究，给出了一种新的基于时空融合的网络流量预测模型GAT-LSTM，用于学习网络流量的时空特征，并将该模型在数据集GEANT和Abilene上与传统的网络流量预测模型进行对比。实验结果证明GAT-LSTM具有更好的预测性能。     

基于卷积LSTM模型的航空器轨迹预测

采集空管大数据,根据空管大数据的特点,对数据进行数据融合,利用改进的聚类算法处理航迹数据,对得到的各类航迹数据分别构建模型,提高模型的预测精度.分别构建Stack LSTM和基于卷积LSTM的航空器轨迹预测模型,以真实雷达数据为例进行仿真实验,对仿真结果进行对比,其结果表明,基于卷积LSTM的航空器轨迹预测模型可以将预...     

基于可解释集成学习的信贷违约预测

人工智能促进了风控行业的发展,智能风控的核心在于风险控制,信贷违约预测模型是解决这一问题必须倚靠的手段.传统的解决方案是基于人工和广义线性模型建立的,然而现在通过网络完成的交易数据,具有高维性和多重来源等特点,远远超出了现有模型的处理能力,对于传统风控提出了巨大的挑战.因此,本文提出一种基于融合方法的可解释信贷违约预测模型,首先选取LightGBM、DeepFM和CatBoost作为基模型,CatBoost作为次模型,通过模型融合提升预测结果的准确性,然后引入基于局部的、与模型无关的可解释性方法LIME,解释融合模型的预测结果.基于真实数据集的实验结果显示,该模型在信贷违约预测任务上具有较好的精确性和可解释性.     

基于.NET 框架的经济指标预测系统的设计与开发

随着决策支持的快速发展,定量预测在经济工作中也越来越重要。本文设计并开发了基于.NET框架的经济指标预测系统,使用组件技术实现多种预测方法,构建通用预测模型库,通过模型择优机制,自动遴选出最适合某一指标数据的预测模型,达到最佳预测效果。最后,运用该系统对成都市农民人均纯收入数据进行了预测。     

基于小波降噪和改进免疫优化的BP模型网络流量预测

为了实现大规模复杂网络的流量预测,并改善传统BP网络预测模型存在的收敛速度慢和容易陷入局部最优的缺陷,提出了一种基于小波降噪和改进人工免疫优化BP神经网络的网络流量模型;首先,描述了网络流量预测的基本原理;然后,采用小波包降噪法对网络流量原始采样序列进行降噪处理,在此基础上定义了采用BP网络进行网络流量预测的算法,在确定了神经网络的结构后,采用训练数据和改进的人工免疫优化算法对BP网络中的参数即权值和阀值进行优化,从而得到最终的BP网络流量预测模型;最后,采用1 800组样本中的1 200组训练数据对网络进行训练后得到最终的BP网络模型,再采用剩余的600组测试数据进行流量预测;实验结果证明结合人工免疫算法和BP网络的网络流量预测模型能实现大规模复杂网络的流量预测,且较传统方法相比,具有收敛速度快、训练时间短和预测精度高的优点。     

基于非线性数据融合的设备多阶段寿命预测

为解决设备监测数据具有维数高、非线性且退化过程中存在多阶段的问题,提出了一种基于非线性数据融合和多阶段退化的设备寿命预测模型.首先,利用神经网络理论中的自编码器对表征设备退化的多维参数进行了融合,构建出设备的退化指示量;然后,利用CUSUM算法提取出设备退化过程中的分段点;最后,构建了多阶段维纳退化模型,从而实现对设备寿命的预测.利用航空发动机状态监测数据对所提模型进行了验证,剩余寿命预测的平均误差为0.254 5,低于传统的基于线性数据融合方法和基于单阶段维纳过程退化模型的寿命预测方法.结果证明,基于非线性数据融合的多阶段退化模型具有很好的鲁棒性,对设备的寿命预测更加精准.