基于混合量子?经典神经网络模型的股价预测

股票预测本质上是数据挖掘的问题,大盘走势是一个很好的股票买卖时机抉择信号。在量化分析中,常用深度学习技术对大盘历史数据进行拟合与特征提取,为股票投资提供决策参考。该文首先训练了一个经典深度神经网络对沪深300的日K量价数据进行监督学习,实现了一个输出“涨跌”概率的二分类预测器,并以此制定策略进行模拟交易,利用测试集数据计算累积收益率,从而评估投资策略的优劣。此外,还构造了一种混合量子?经典神经网络模型,充分利用量子计算的线路模型特点,构造参数化变分量子线路,实现了量子前馈神经网络。在量子线路学习框架中,将股票的特征因子编码到量子态的振幅上,通过训练量子神经网络 U 的参数 θ ,迭代得到一个最优的分类器。量子算法的运行时间比经典算法少了7.7%,预测准确率更高,回报率高出3%,因此证明了量子算法的表达力强、鲁棒性高的特点。     

基于多量子滤波器的QCNN算法预测厌氧消化性能

厌氧消化是可再生能源生产中一种具有前景的技术,沼气是由有机废物通过厌氧消化产生的生物能源,预测厌氧消化产生的沼气产量并进行管控是必要的。设计了一种具有短期记忆的多量子滤波器量子卷积神经网络,利用参数化变分量子电路接受数据“时间窗”以模拟短期记忆,并在多量子滤波结构中舍弃过多的线路迭代和参数数量使其具有更高的表达性。在量子线路框架中,设计了最优的卷积、池化层线路,能够更好地提取特征因子中的隐藏状态;同时对废物管理数据进行严格的预处理,通过指数平滑去除特征中趋势和季节性。该算法的精度达到了83.30%,比CNN模型精度提升了8%,RMSE和MAE值也均优于ANN、KNN、CNN等经典模型。     

融合动静态变量的滑坡多步位移预测方法

针对目前滑坡位移预测模型多以结合降雨、形变等动态变量的单步预测为主,缺乏对多步位移影响因素相关的时间周期等静态变量考虑的问题,提出了融合动静态变量的滑坡多步位移预测模型。首先,运用变量选择网络对初始输入变量进行选择,挖掘与滑坡日位移相关度高的变量,削弱冗余变量对模型的影响。然后,将静态变量集成于网络中,通过对上下文编码进行时间动态相关性调节。最后,以多头注意力模块捕获时序长期依赖关系,实现滑坡多步位移预测。以重庆市新铺滑坡为例,将本文方法与DeepAR、长短期记忆（LSTM）模型进行实验对比,结果表明,本文方法可实现较为稳健的高精度滑坡多步位移预测。     

基于量子卷积神经网络的图像识别新模型

为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。     

利用量子遗传算法实现RNA二级结构预测

由于基于最小自由能模型的传统算法复杂度高且搜索效率低,故利用量子遗传算法提出了一种新的核糖核酸二级结构的预测算法．该算法将种群信息加载到量子比特上完成初始化,通过量子酉变换(量子逻辑门)实现种群的更新与演化,借助于量子计算的并行性优势使得核糖核酸二级结构预测所需种群规模相对经典遗传算法大为减少,同时还具有更强的搜索预测能力．基于国际核糖核酸标准数据库提供的序列进行了量子模拟实验计算,结果表明,在种群规模为经典遗传算法20%的条件下,该算法预测准确率仍优于经典遗传算法,且所需的进化轮数也得到了明显降低．     

基于自记忆原理的深基坑位移预测方法

传统灰色GM(1,1)预测模型对非负递增时间序列有较好的预测精度,但对波动幅度较大的时间序列预测精度较低。为了提高预测精度,本文在趋势曲线模型和自记忆理论的基础上,建立趋势曲线-自记忆组合预测模型,将该模型应用于深基坑位移预测中,并与灰色GM(1,1)预测模型和趋势曲线预测模型比较,该模型具有较高的预测精度。     

考虑周车信息的自车期望轨迹预测

针对驾驶员期望轨迹预测问题,设计了一种考虑周车信息的自车期望轨迹预测模型。建立了单独的自车和周车历史轨迹信息编码器,将编码后的自车历史轨迹信息送往意图识别模块用于识别驾驶员意图;通过注意力机制对自车和周车编码信息进行处理,并与意图识别的结果共同作为解码器模块的输入,最终输出车辆未来位置。最后,采用数据集对模型进行训练,验证了模型的有效性。     

基于变分量子虚时演化和UCC Ansatz的基态求解器

对于量子多体体系,其基态的求解十分重要。变分量子本征求解器VQE是一种基于量子计算的变分基态求解算法,由于其需要结合量子电路和经典的变分算法,使得量子电路的复杂性和变分算法的有效性显得极其重要。针对量子分子体系,提出了一种变分基态求解器。运用单电子约化密度矩阵分析得到在自然分子轨道表象下的电子轨道占据数,根据占据数大小简化了体系哈密顿量和相应的UCC ansatz线路。并运用变分量子虚时演化算法替代VQE中常用的梯度算法,因此不易受到参数空间的梯度分布的影响,使得变分过程收敛更快,更具鲁棒性。     

基于量子神经网络的公交客运量预测

为了对公交线路客运量进行有效预测,以便制定线路运营计划、合理规划运营线路和优化公交运营调度,通过分析公交客运量数据特性,提出一种基于量子神经网络的公交客运量预测模型,并在训练过程中动态调整量子间隔,以响应公交客流数据的强随机性。实验结果表明,该预测模型能够较好地适应公交客运数据的特性,相对误差低于10%,且预测精度较BP神经网络有显著提高。     

基于互信息变量选择与LSTM的电站锅炉NOx排放动态预测

电站锅炉NO_x排放是大气污染物的重要来源,建立有效的预测模型是降低NO_x排放的基础。NO_x的排放特性受多个热工变量的影响,针对变量间的相关性和强耦合性,提出一种基于互信息变量选择和长短期记忆神经网络的预测模型,实现对NO_x排放的动态预测。以互信息"最小冗余最大相关"为准则对特征变量进行重要性排序和变量选择。在变量筛选过程中采用序列前向选择方法,以模型预测精度为目标确定最优输入特征集和最佳模型参数。将筛选出来的特征变量集作为LSTM预测模型的输入,并采用多层网格搜索算法优化网络超参数,建立了NO_x排放动态预测模型。基于某660 MW超超临界燃煤机组的运行数据对模型进行验证,实验结果表明该方法能够有效地减少模型输入变量的数目,降低变量间的信息冗余,同时提高了预测模型的精度和鲁棒性。     

考虑变量滞后性的LSTM大坝变形安全监控预测模型

为进一步提升大坝变形的预测精度,充分反映外部环境变量对大坝变形影响的滞后性,考虑影响大坝变形的变量时间滞后效应,利用长短期记忆(long short-term memory,LSTM)网络算法,提出一种考虑变量滞后性的改进LSTM的大坝变形预测模型。将输入数据分为通过LSTM存储块的延迟变量和不通过存储块的无延迟变量,使模型在物理解释上更合理;为提高预测模型的非线性表达能力,增加第二个隐藏层,使时间效应量等无延迟变量在最后一个时间步可直接使用,不需进行复杂的转换形成原始输入时所需的子序列;结合具体案例计算验证改进模型的可靠度和精度。结果表明：改进LSTM模型的平均绝对误差(MAE)、均方误差(MSE)较LSTM模型分别降低了11.94%,25.60%,具有更高的预测精度;改进模型的预测残差正负分布范围较LSTM模型小,预测值整体在实测值附近变化。改进LSTM模型的预测结果优于LSTM模型,能更合理地对大坝变形进行预测。     

基于注意力机制的全卷积抓取姿态预测方法

针对机器人抓取姿态预测中准确性和实时性不能平衡的问题，提出一种嵌入空间通道注意力机制(CBAM)的全卷积抓取姿态预测方法。使用深度可分离卷积代替标准卷积以降低模型的参数量；利用残差网络(ResNet)中ResBlock模块的思想，并加入CBAM和Inception模块对ResBlock进行改进，加强模型对特征的多尺度提取，以减少局部信息的丢失；融合浅层特征和深层特征进行反卷积，并引入抓取位置质量作为评价指标，直接预测输入图像中每个像素的抓取姿态，从而提高最终预测的准确性。实验结果表明，提出的抓取姿态预测模型可在满足更高准确率的同时兼顾实时性的要求。     

基于VMD和改进ARIMA模型的超短期风速预测

针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。     

基于多变量LSTM神经网络的澳大利亚大火预测研究

长短周期记忆神经网络(LSTM)受益于能够捕获长期依赖关系的特点,在许多实际应用中展现了优异的性能。该文构建了LSTM多变量数据驱动的预测模型,通过多变量输入的方式预测澳大利亚森林大火。首先使用多变量LSTM预测模型对日最高温度进行预测,并与反向传播(BP)神经网络以及ARIMA预测模型的结果进行对比。研究表明:以相关变量为输入的BP神经网络无法考虑时序变化规律,预测误差最大;以温度单变量为输入的ARIMA根据时序变化做出相应预测,预测效果较好;多变量LSTM预测模型综合考虑了多种因素的相互影响,同时结合了时间序列依赖关系,预测效果最好。最后通过多变量LSTM预测模型对某节点是否着火进行了预测,预测结果与实际值契合较好。总体来说,多变量LSTM预测模型对澳大利亚大火的预测结果可信。     

基于情景记忆的量子深度强化学习

作为量子机器学习的一个新兴子领域,量子深度强化学习旨在利用量子神经网络构建一个量子智能体,使其通过与环境进行不断交互习得一个最优策略,以达到期望累积回报最大化.然而,现有量子深度强化学习方法在训练过程中需要与经典环境进行大量交互,从而导致大量多次调用量子线路.为此,该文提出了一种基于情景记忆的量子深度强化学习模型,称为...     

基于多头注意力卷积网络的电力负荷预测

预测居民用电相当于预测一个多元时间序列.针对多个传感器信号的特定窗口能够利用预测模型提取不同的特征来预测用电量.然而,由于时间序列内部特征存在着不规则的模式,包括电力属性之间隐藏的相关性,使得负荷预测准确率不高.为了提取复杂的不规则电力模式,选择性地学习时空特征以减少电力属性间的平移方差,本文提出了一种基于多头注意力的卷积循环神经网络深度学习模型.相较于单纯的时间序列模型,该模型利用卷积和加权机制对电力属性和有功功率间的局部相关性进行建模.它利用softmax函数和点积运算的注意力分数来模拟电力需求的瞬态和脉冲特性,有效地对瞬时脉冲功耗进行预测.在美国加州大学欧文分校(University of California,Irvine,UCI)家庭用电数据集共2 075 259个时间序列上的实验表明,所提出的模型与现有方法相比,准确率得到了较大提升.     

基于时空融合的多头注意力车辆轨迹预测

针对时空维度特征影响自动驾驶车辆轨迹精度的问题，提出基于时空融合的多头注意力（TSMHA）车辆轨迹预测模型，对于空间与时间2个维度的特征信息，分别使用多头注意力机制提取车辆空间交互感知与时间运动模式.为了获得互补特征，并除去特征数据中的冗余，将处理后的时空特征信息传输至门控特征融合模型进行特征融合.使用基于长短期记忆(LSTM)的编解码器结构，考虑编码与解码2个过程中轨迹之间潜在的相互作用，循环生成目标车辆未来预测轨迹.在训练过程中使用L2损失函数，以此降低预测轨迹与真实轨迹的差值.实验表明，与对比算法模型相比，在直线高速公路、城市十字路口、环岛场景下，本研究所提出的模型的精度分别提高了3.95%、 15.64%、31.40%.     

基于自动聚类和自回归模型的时间序列预测

针对股指时间序列,本文提出基于自动聚类和自回归的时间序列预测模型,将自动聚类算法与经典的时间序列模型合并.利用自动聚类算法将论域进行划分,得到相应的划分区间;再利用自回归模型确定预测数据的波动量;最后结合趋势和波动量得到最后的预测值.实验结果表明,提出的模型具有较好预测效果,在预测1992年台湾股指时间序列上,优于同类预测模型.     

改进型LSTM变形预测模型研究

针对传统预测模型处理复杂非线性变形数据能力不足的问题,应用一种深度学习模型——长短期记忆网络(Long Short-Term Memory,LSTM)进行变形预测分析.研究发现LSTM隐藏层受有限变形数据序列长度的影响较大,针对此类问题,文中在LSTM的基础上提出了一种改进模型.改进的模型将具有多个隐藏层的神经网络放在LSTM模型前,采用全连接层将两种网络连接起来,旨在提高预测精度.改进的LSTM模型主要对时间序列数据进行预测,以西南部矿业某矿区自动监测数据为例,将LSTM模型和改进后的LSTM模型进行了对比分析实验.为验证多变量输入是否会对预测精度造成影响,构建基于改进LSTM的多点预测模型,并与改进LSTM的单点预测对比.结果表明,LSTM可用于变形预测,且改进的LSTM模型很好地改善了LSTM存在的问题,预测精度相对更高,适用于多点预测,可批量处理变形数据.     

基于Pyraformer网络的短期电力负荷预测

针对电力负荷数据波动性大、随机性强和非线性等特点,提出一种基于Pyraformer网络的短期电力负荷预测模型。首先,采用变分模态分解（variational modal decomposition,VMD）算法将负荷数据分解为频率不同的模态分量,引入过零率和皮尔逊相关系数对模态分量进行划分,得到低频、中频和高频部分,并分别与原始负荷数据组成重构数据。其次,将重构数据分别输入到含有金字塔注意力模块（pyramidal attention module, PAM）和粗粒度构造模块（coarse-scale construction module,CSCM）的Pyraformer预测网络中,网络采用新型动量优化器自适应Nesterov动量算法（adaptive Nesterov momentum algorithm,Adan）进行参数优化,最终输出预测结果。在真实电力负荷数据集上对该预测模型进行实验,实验结果表明,与现有模型相比,该模型有更高的预测精度。