基于AFSA-BPNN的MRVM模型非线性融合建模

针对化工过程强非线性和多工况的特性,提出了一种基于BP神经网络(BPNN)有效非线性融合多关联向量机(MRVM)的建模方法.首先选择不同的核函数,采用样本数据建立单一RVM子模型;然后利用BPNN的强非线性拟合能力,对各子模型的预测信息进行非线性融合,并采用人工鱼群算法(AFSA)对BPNN的初始权重和阈值进行优化;最终建立MRVM非线性融合模型.将该建模方法应用于甲醇制烯烃生产过程(MTO)乙烯收率预测研究中,研究结果表明:与单一RVM模型和最优加权组合模型相比,基于MRVM的非线性融合模型具有更佳的预测精度.     

基于LSTM的COMEX黄金期货价格预测对比研究

黄金期货价格时间序列具有复杂性、随机性和非平稳性的特点,而这三个特点是传统模型无法完全描述的,因此传统模型的预测效果不佳.利用神经网络方法进行深度学习,并建立多层LSTM及双向LSTM模型预测未来黄金期货的价格及其发展变化的规律和趋势,并且在相同数据的情况下与ARIMA模型、RNN模型、SVR模型进行了对比实验.结果表明,在四个评价指标下,双向LSTM模型优于所有对比度模型,取得了较好的预测效果.同时,双向LSTM模型的运行时间更短.因此,双向LSTM模型是一种更有效的黄金期货价格预测方法.     

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.     

加权Markov修正模糊信息粒的电力负荷区间预测

针对电力负荷预测存在波动性且预测精度不高的问题,提出一种基于加权马尔可夫(Markov)修正模糊信息粒的电力负荷区间预测方法.该方法首先对电力负荷数据序列进行基于模糊信息粒化(FIG)的空间窗口重构,以此得到电力负荷模糊信息粒和电力负荷的各阶自相关系数; 然后建立由基于FIG和长短时记忆网络(LSTM)组合的模型(FIG - LSTM),以此获得能够预测不同模糊粒的3组LSTM模型; 最后建立加权Markov - FIG - LSTM模型,并通过消除3组LSTM模型中的预测误差得到电力负荷预测区间和趋势值.实例分析表明,Markov - FIG - LSTM模型的RMSE、MAE和MAPE指标比FIG - LSTM模型分别降低了4.78%、11.37%和11.72%,因此该方法可为电网调度提供有效的数据支撑.     

交叉口短时流量CEEMDAN-PE-OSELM预测模型

为提高交叉口短时交通流预测精度,以历史交通流量数据为基础,提出一种基于自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-排列熵(permutation entropy,PE)-在线序贯极限学习机(online sequential extreme learning machine,OSELM)组合预测模型(CEEMDAN-PE-OSELM).首先对交通流历史时间序列数据进行CEEMDAN分解,得到多个本征模态函数(intrinsic mode function,IMF)分量;通过PE算法对IMF分量进行重组,形成具有复杂度差异的重组子序列.然后,分别构建重组子序列OSELM预测模型,将预测结果相加得到最终预测流量.最后选取一实际交叉口,进行模型验证分析.结果表明:CEEMDAN-PE-OSELM模型的MAE、MAPE和MSE的值均低于其他模型,预测误差最小;EC值为0.963,高于ARIMA模型的EC值(0.898),最接近于1,预测精度最高,稳定性最好.就同一预测模型而言,经过CEEMDAN-PE处理的模型的各项误差明显降低,预测精度有所提高.     

基于改进的LSTM算法的时间序列流量预测

时间序列流量的预测问题是近年来机器学习的一个热点问题,通过改变长短期记忆网络(LSTM)层数、网络层神经元的个数、网络层之间的连接方式,特殊网络层的应用等网络结构以及优化器和损失函数的选择可以极大地提高预测的精度.本文提出多层LSTM算法,该算法是在传统LSTM算法上进行改进的单一模型,模型设计的复杂度低,可以提高机器学习的效率.模型采用一个输入层、5个隐藏层、1个输出层,同时包含1个全连接层和1个Dropout层,Dropout层的作用是防止机器学习过拟合.选择adam为模型优化器、mlse为模型损失函数、relu作为模型的激活函数.实验结果表明,与传统模型相比,该模型具有较好的泛化能力.     

基于LSTM-GM神经网络模型的深基坑沉降变形预测

针对基于少量样本的长短记忆时(LSTM)神经网络深基坑变形预测精度较低的问题,提出组合的LSTM-GM预测模型,并运用于地铁深基坑变形预测。将LSTM预测结果的波动项,采用灰色模型(GM)对波动项进行循环预测,满足阈值则完成循环。通过3组不同样本数据的实验,结果表明组合模型在少量样本情况下预测精度高于LSTM模型。此外,将该模型与适用于深基坑变形预测的BP神经网络预测模型和支持向量机(SVM)预测模型对比,分析发现组合模型结合了LSTM预测模型和GM预测模型的优势,拥有更好的预测效果,预测结果趋势符合实际。     

基于LSTM-KF的无人机航迹跟踪算法

在量测信息有限的情况下,针对使用单一运动模型的卡尔曼滤波(KF)算法难以应对无人机航道跟踪的问题,提出了一种新颖的将长短期记忆网络(LSTM)和 KF 算法结合的 LSTM-KF 算法。 首先,使用 LSTM 预测目标平均速度和瞬时速度的方法解决了非参数模型在位置预测任务中泛化能力差的问题。 其次,分析了 KF 算法使用运动模型的预测局限性,提出利用 LSTM 的预测结果修正运动模型的预测结果的方法,来降低预测误差。 修正后的预测结果与量测数据结合,实现对目标的状态估计。 最后,将所提 LSTM-KF 算法在生成的轨迹上进行了验证,仿真结果证明,LSTM-KF 算法比已有模型具有更高的跟踪精度和更强的鲁棒性。     

数据驱动的粮食产能组合预测模型

针对长短期记忆网络(LSTM)在粮食产能预测上存在超参数众多、长时序列信息丢失以及难以区分主次特征的问题,提出一种数据驱动的粮食产能组合预测模型.在超参数部分,通过引入动态权重和拉普拉斯变异的秃鹰算法(WLBES)对LSTM进行超参数寻优,避免了手动调参的过程.在预测部分,利用岭回归(RR)对预测结果进行残差修正,弥补LSTM数据丢失的缺陷;同时加入注意力机制,以权重大小区分主次特征,提升粮食产能相关性较大特征的重要性.研究结果表明,WLBES-LSTM-RR组合模型与LSTM模型和WLBES-LSTM模型相比,均方根误差(RMSE)分别下降了75％、19％,相较于其他优化LSTM的组合模型,RMSE大幅下降,该组合模型在粮食产能预测上具有更高的预测精度.     

基于深度置信网络的时间序列预测

针对传统计算机神经网络存在梯度弥散、局部最小值、非线性时间序列长期预测性能不佳和高维序列数据复杂度高等问题,提出时序深度置信网络模型(timing deep belief network model,T-DBN).该模型预训练阶段采用改进的贪婪预训练算法,在预训练过程中使用梯度修正并行回火(gradient fixing parallel tempering,GFPT)算法,采用重构误差确定网络深度,在反向调整阶段采用拟牛顿法(BFGS算法),以获得更加准确的预测精度.结合相空间重构理论和BP (back propagation)神经网络,对中国江西省2016—2020年农业机械总动力进行了预测.针对高非线性的股票数据,提取同花顺软件1990-12-20—2018-03-30时间段内的上证指数特征信息,分别采用T-DBN、DBN和长短期记忆(long short-term memory,LSTM)模型进行股票预测,预测准确率分别为79. 3%、77. 9%和74. 6%,T-DBN模型的预测准确率高于DBN和LSTM模型.     

基于IGOWMA算子的变权系数区间型组合预测模型

为了保持区间数内部的整体性及提高区间数的预测精度,提出了一种将改进相关系数和诱导广义有序加权多重平均(IGOWMA)算子相结合的区间型组合预测方法.该方法首先将区间数进行转化,以等价信息的中心和半径来表示区间数; 然后以预测精度为诱导因子,构建IGOWMA算子; 最后选取改进后的Pearson相关系数作为最优准则来建立多目标非线性规划模型,并通过引入偏好系数将模型转化为单目标规划模型.实例验证证明,该区间型组合预测模型不仅能够保证区间数内部的整体性,而且其预测结果显著优于文献中的3种单项预测方法和1种组合预测方法.对模型的参数进行灵敏度分析显示,参数λ的取值对模型的权系数、最优目标函数值以及误差指标有较明显的影响,偏好系数α则对模型的影响较小.上述结果表明,该组合预测方法能有效提高预测精度,可应用于区间数的模糊预测中.     

数控铣削参数优化方法的研究

为了优化数控铣削参数,以切削比能低、表面质量优为优化目标,对45号钢进行了单工步干式铣削沟槽正交实验.采用多目标遗传算法求解出了不同铣削参数的优化解,并通过对比经验参数与优化参数的实验结果得出了最优铣削参数组合.在最优铣削参数组合下对工件进行加工(粗/半精加工)时,其加工切削比能和工件表面粗糙度比优化前分别降低了46.2%和41.6%,因此本文优化方法可为提高数控铣削加工质量和降低能耗提供参考.     

国内外期货市场相关性研究

利用copula函数和Kendall tau统计量的内在关系，估计出不同copula函数的参数，并选择最优的copula函数来刻画大连大豆期货市场和美国、日本大豆期货市场以及日元／美元汇率之间的相关性结构．基于得到的最优copula函数．研究了上述市场之间的尾部相关性．研究结果对金融风险管理具有重要的现实意义．     

基于板块效应的深度学习股价走势预测方法

股票价格预测作为金融预测领域中一项重要的研究方向,准确预测股票价格的涨跌可以帮助投资者盈利或及时止损. 经研究发现,某些因素(如政策、社会突发事件等)会对同板块下的多只股票价格产生影响,导致同板块的多只股票在某个时间段内出现相似的走势,即板块效应. 因此,同板块下多只股票的价格走势对于股票预测具有参考作用. 针对这一现象,提出了一种基于板块效应的深度学习股价走势预测方法. 首先,使用皮尔森(Pearson)相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,以筛选出与预测股票相关性高的多只股票,并使用自编码器对这些股票的收盘价进行降维,以提取股票的价格走势; 其次,构建了一个基于卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)网络的混合深度学习预测模型,使用一维卷积神经网络提取输入数据的特征,使用LSTM网络对股票价格进行预测. 该模型使用银行、医药、酒业、娱乐传媒4个板块的股票作为实验数据集. 为了提高模型的预测效果,通过随机搜索对LSTM网络的神经元个数进行简单的分析,以选择较优的神经元个数. 最后,通过实验分析,基于同板块数据集的深度学习预测模型具有良好的预测效果.     

沪深300股指期货的价格发现功能研究

将交易成本引入到一般向量误差修正模型（VECM）中,建立了时变门限先验向量误差修正模型（TVECM）,利用公共因子权重法计算了期货市场的价格贡献度,对我国沪深300股指期货的价格发现功能做了相对系统全面的实证研究。研究表明,不考虑交易成本和考虑交易成本但不存在套利机会时,股指期货在期限市场之间的价格发现过程中起着绝对主导作用;考虑交易成本且存在套利机会时,两者的价格发现功能相差不大;市场的波动性而非流动性是价格发现的决定性因素。     

基于PCA - GRNN模型的新能源汽车月度销售量预测研究

为预测新能源汽车的月度销售量,提出了一种基于主成分分析(PCA)和广义回归神经网络(GRNN)相结合的预测模型——PCA - GRNN模型.首先,选取动力电池月份装车量、充电基础设施、电池级碳酸锂平均价格、交通和通信类居民消费价格指数、全国城镇调查失业率、汽车制造业工业生产者出厂价格指数等6个指标作为新能源汽车月度销售量的影响因子; 其次,利用主成分分析方法得到可代表6个影响因子的2个主成分,并利用Matlab神经网络工具箱的GRNN神经网络函数构建了广义回归神经网络模型; 最后,将2020—2022年间27个月度的统计数据分别输入到PCA - GRNN、PCA - BP和PCA - Elman模型中进行预测.结果显示, PCA - GRNN模型预测的新能源汽车月度销售量的平均相对误差(4.00%)低于PCA - BP模型和PCA - Elman模型预测的平均相对误差(分别为4.77%和4.29%),因此PCA - GRNN模型在预测新能源汽车销售量方面具有一定的实用性.     

基于多工序回弹补偿的大型汽车覆盖件成形优化

针对某品牌SUV汽车大型覆盖件成形过程存在的易起皱、破裂和回弹等质量问题,进行了工艺参数多目标优化和回弹补偿优化.首先,以最大增厚率和最大减薄率为评价目标,利用正交试验和Design - Expert软件对压边力、模具间隙、冲压速度和摩擦系数进行多目标优化,并确定最优工艺参数组合; 其次,以最大回弹量为评价目标,利用多工序补偿法对拉延模和修边冲孔模进行回弹补偿,并对最优冲压工艺参数组合和回弹补偿面进行仿真分析和试模实验.研究表明:优化后的成形工艺参数能够防止零件破裂,减少起皱以及降低最大增厚率和最大减薄率; 多工序回弹补偿能够有效控制回弹量,减少整形工序.本文的优化方案可为提高大型汽车覆盖件的成形质量和节约成本提供参考.     

基于LSTM和灰色模型的股价时间序列预测研究

影响股价的因素错综复杂，因此在考虑多变量情形下，对时间序列中常用的长短期记忆网络（LSTM）进行修正，并选取股票价格进行预测.首先，采用方差膨胀因子（VIF）进行变量的筛选，再结合自适应提升法（Adaboost）模型查看特征变量的重要程度.其次，用爬虫对投资者情绪进行文本分析，计算情绪指数等指标并揭示其与股价的关系.然后，对格力电器、飞科电器、美的集团3支股票进行股价预测，对比多层感知器（MLP）模型、LSTM模型，并选择适当的模型作为基准模型，在基准模型的基础上加上情绪指数、投资者关注度等指标构建了LSTM-EM模型.进一步，在考虑了投资者情绪后对残差项使用GM （1，1）模型进行修正.实证结果表明，该模型能对股价进行较为精确的预测.