基于长短期记忆神经网络的每日股票价格预测

股票价格预测一直是人们关注的焦点之一。针对每日股票预测存在的问题,本文提出一种基于长短期记忆神经网络的方法来预测每日股票的最高价与最低价,通过使用Python编程语言构建长短期记忆神经网络模型,并对2000—2020年上海证券、深圳证券的股票数据进行预测。实验结果表明,采用长短期记忆神经网络能够很好地拟合每日股价的波动趋势,具有较高的准确率。     

基于树结构长短期记忆神经网络的金融时间序列预测

针对传统方法对多噪声、非线性的时间序列无法进行有效预测的问题,以多尺度特征融合为切入点,提出并验证了基于树结构长短期记忆（LSTM）神经网络的预测方法。首先,提出了实现预测目标的核心方法,并分析了方法的内在优势;其次,构建了基于树结构长短期记忆神经网络的预测模型;最后,基于最近十年的国际黄金现货交易数据对模型进行了验证。实验结果表明,所提算法预测准确率高出最小成功率近10个百分点,证实了所提方法的有效性。     

基于双向长短期记忆网络的DA40飞机碳刹车片剩余寿命预测

飞机刹车片在飞机制动过程中起着十分重要的作用.对刹车片进行准确的剩余使用寿命(RUL)预测对于减少制动故障以及节省人力物力资源具有重要意义.针对飞机刹车片磨损序列的非平稳和非线性等特点,提出了一种基于双向长短期记忆(BiLSTM)网络的飞机刹车片RUL预测模型——VMD-BiLSTM模型.首先,利用变分模态分解(VMD...     

基于长短期记忆神经网络的可用停车位预测

可用停车位预测是智能停车诱导系统的关键问题之一。当前基于神经网络的预测技术在较短预测周期内,预测准确度的平均绝对误差在 10 左右,但随着预测步长或周期的增加,预测精度急剧下降。针对这一问题,该文提出了一种在中长预测时间周期内可保持数据变化特征的泊位预测方法。该方法使用模糊信息粒化获取特征数据集,通过训练长短期记忆神经网络预测未来的特征数据集,基于数据插值方法重建出整个区间可用停车位的连续变化曲线。仿真结果表明,该方法在相同预测步长的可用车位预测上,比传统预测方法具有更高的预测精度;在保持相近预测精度的条件下,比传统预测方法具有更高的计算效率。     

基于注意力机制和长短期记忆神经网络的流量预测研究

准确的流量预测提升通信网络技能、改善通信网络管理具有重要意义.考虑到长短期记忆(Long Short-Term Memory,LSTM)神经网络可解决长序列数据在训练过程中的存在梯度消失问题,采用LSTM作为长期流量预测的基准模型,为提高模型准确性,在LSTM模型的基础上,引入Attention机制(Attention...     

基于特征提取和长短期记忆神经网络的铣刀磨损量预测

高速铣削加工过程中,铣刀的磨损会影响工件加工质量、生产效率和制造成本等,因而精准的刀具磨损量预测可优化生产决策,避免因刀具磨损而带来的损失.为了提高刀具磨损预测精度,文章提出了一种基于特征提取及长短期记忆神经网络(L S T M)的铣刀磨损量预测方法,该方法基于工业过程中产生的时间序列数据,通过对数据的时域特征、频域特...     

基于双向长短期记忆神经网络的老挝语分词方法

作为语言最小独立运行且有意义的单位,将连续型的老挝语划分成词是非常有必要的。提出一种基于双向长短期记忆BLSTM神经网络模型的老挝语分词方法,使用包含913 487个词的人工分词语料来训练模型,将老挝语分词任务转化为基于音节的序列标注任务,即将老挝语音节标注为词首(B)、词中(M)、词尾(E)和单独成词(S)4个标签。首先将老挝语句子划分成音节并训练成向量,然后把这些向量作为BLSTM神经网络模型的输入来预估该音节所属标签,再使用序列推断算法确定其标签,最后使用人工标注的分词语料进行实验。实验表明,基于双向长短期记忆神经网络的老挝语分词方法在准确率上达到了87.48%,效果明显好于以往的分词方法。     

基于长短期记忆神经网络的手写数字识别

手写笔迹识别是模式识别的一个重要研究领域。因为每个人的书写习惯有所不同,导致手写的字体有一定的差异。传统的Softmax模型在手写数字的识别结果上并没有达到人们的期望。目前,深度神经网络框架是模式识别领域的主流方法。长短期记忆神经网络(long-short term memory network,LSTM)是一种特殊的循环神经网络,它由输入门、遗忘门、输出门以及神经元组成。长短期记忆神经网络对于长序列问题有很好的处理。文中提出采用双向长短期记忆神经网络进行手写数字识别。采用MNIST数据集,分别使用传统的Softmax方法和双向长短期记忆神经网络方法对MNIST数据集里的图片进行识别。实验结果表明,传统的Softmax模型的正确率为92%左右,而LSTM模型的正确率达到了96.3%,提升4.3%。     

基于并行双向时间卷积网络和双向长短期记忆网络的轴承剩余使用寿命预测方法

在基于深度学习的轴承剩余使用寿命(RUL)预测方法中,时间卷积网络(TCN)忽略了振动数据中未来时间信息的重要性,长短期记忆网络(LSTM)难以有效地学习振动数据的长时间序列特征.针对以上问题,提出一种基于并行双向时间卷积网络(Bi-TCN)和双向长短期记忆网络(Bi-LSTM)的轴承RUL预测方法.首先,对多传感器数据进行归一化处理,并将每个传感器数据进行通道合并,实现多传感器数据的高效融合;然后,采用Bi-TCN和Bi-LSTM构建并行的双分支特征学习网络,其中Bi-TCN提取数据的双向长时间序列特征, Bi-LSTM提取数据的时间相关特征;同时,设计一种特征融合注意力机制,该机制分别计算Bi-TCN和Bi-LSTM的输出权重,以实现两种网络输出特征的自适应加权融合;最后,融合特征通过全连接层并输出轴承RUL的预测结果.利用西安交通大学轴承数据集和PHM 2012轴承数据集进行RUL预测实验,实验结果表明,与其他先进的预测方法相比,所提出方法可以准确预测更多类型轴承的RUL,同时具有更低的预测误差.     

基于长短期记忆神经网络的车辆边缘计算卸载策略

传统的集中式云计算能够较好地减轻本地负担,但带来了大量延迟.移动边缘计算通过利用移动边缘设备有限的计算能力和资源存储能力弥补了云计算在此方面的不足,也满足了在车联网中车辆的计算需求.为了使车辆能够在笔直的道路环境模型上完成计算任务,提出基于长短期记忆神经网络的卸载决策.通过仿真,该方法在任务较大的情况下可以高效利用边缘...     

基于经验模态分解和长短期记忆神经网络的短期交通流量预测

交通流量预测作为智能交通的重要一环,所要处理的交通数据具有非线性、周期性和随机性的特点,导致在数据预测时,不稳定的交通流量数据依赖于长期数据范围,且由于一些外部因素使得原始数常包含一些噪声,可能导致预测性能的进一步下降。针对上述问题提出了一种能够去噪且能处理长时依赖的预测算法——EMD-LSTM。首先,通过经验模态分解（EMD）算法将交通时序数据中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定的噪声影响;然后,借助长短期记忆（LSTM）神经网络解决数据的长期依赖问题,从而使所提算法在长时间视野预测方面表现更为突出。对实际数据集进行短期预测的实验结果表明,EMD-LSTM的平均绝对误差（MAE）比LSTM低了1.916 32,平均绝对百分误差（MAPE）比LSTM降低了4.645 45个百分点,可见所提出的混合模型使预测准确性得到显著提高,能够有效解决交通数据的问题。     

基于自注意力长短期记忆网络的Web软件系统实时剩余寿命预测方法

为了能够实时准确对Web软件系统的剩余使用寿命(RUL)进行预测,考虑Web系统健康状态性能指标的时序特性和指标间的相互依赖特性,提出了一种基于自注意力长短期记忆(Self-Attention-LSTM)网络的Web软件系统实时剩余寿命预测方法.首先,搭建加速寿命测试实验平台来收集反映Web软件系统老化趋势的性能指标数...     

基于长短期记忆神经网络的矢量跟踪通道状态监测算法

卫星导航系统接收机分为标量跟踪架构和矢量跟踪架构。矢量跟踪接收机的特点是采用一种中心导航滤波器实现所有通道信息的集中处理，这样可以充分利用通道之间的共享信息，提升接收机的性能。但由此带来的问题是通道之间的相互影响，当某个通道的信号被遮挡或者信号较弱时，会影响导航滤波器的正常工作，因此需要进行通道运行状态的监测。本文提出一种基于长短期记忆神经网络的通道状态监测方法，将通道的信息序列值作为神经网络的输入向量。仿真结果表明，本文提出的方法能够有效地检测故障，保证矢量跟踪接收机的定位精度。     

基于AE-LSTM的多目标硬盘故障预测方法

硬盘故障预测是在故障发生前发出预警,避免数据丢失或服务中断,提高数据中心的可靠性和安全性。然而,大多数故障预测模型将硬盘故障问题转化为二分类任务,忽略了硬盘故障是渐变过程的,并且缺乏故障诊断功能。因此,提出了一种基于AE-LSTM的硬盘故障预测框架,实现多目标任务：硬盘健康状态分级、硬盘剩余使用寿命预测、硬盘故障诊断。首先,采用回归决策树模型智能化对硬盘健康状态进行标记;其次,通过AE-LSTM模型提取鲁棒的隐藏变量,并构建剩余使用寿命预测模型和硬盘健康状态分级模块;最后,根据AE模块的输入输出差异进行硬盘故障诊断。在Backblaze公开数据集上,对比了RF、LSTM和AE-LSTM三种算法,实验结果证实了AE-LSTM算法在多目标硬盘故障预测中的有效性和优势。     

基于长短期记忆神经网络的生命体触电电流检测

针对当前低压配电网剩余电流保护设备只能依靠剩余电流幅值作为保护机构动作依据,无法识别触电特征的问题,提出了基于小波分解降噪和长短期记忆(LSTM)神经网络的低压配电网生命体触电电流检测方法.首先将总剩余电流信号通过小波分解算法进行降噪,然后将降噪后的生命体触电电流波形作为输入,对LSTM神经网络进行训练,建立生命体触电...     

基于并联CNN-SE-Bi-LSTM的轴承剩余使用寿命预测

滚动轴承作为一种机械标准件,广泛应用于各类旋转机械设备,其健康状况对机器设备的正常运行至关重要,掌握其剩余使用寿命(RUL)可以更好地保证生产活动安全有效的进行.针对目前基于深度学习的机器RUL预测方法普遍存在:a)预测性能很大程度依赖手工特征设计;b)模型不能够充分提取数据中的有用特征;c)学习过程中没有明确考虑多传感器数据等缺点,提出了一种新的深度预测网络——并联多个带有压缩激励机制的卷积神经网络和双向长短期记忆网络集成网络(CNN-SE-Bi-LSTM),用于设备的RUL预测.在该预测网络中,不同传感器采集的监测数据直接作为预测网络的输入.然后,在改进的压缩激励卷积网络(CNN-SE-Net)提取空间特征的基础上进一步通过双向长短期记忆网络(Bi-LSTM)提取时序特征,建立起多个独立的可以自动从输入数据中学习高级表示的RU L预测模型分支.最后,将各独立分支学习到的特征通过全连接层并联获得最终的RU L预测模型.通过滚动轴承加速退化实验的数据,验证了所提网络的有效性并与现有的一些改进算法进行了对比实验.结果表明,面对原始多传感器数据,该算法能够自适应地提供准确的RU L预测结果,且预测表现优于现有一些预测方法.     

基于一维卷积神经网络与长短期记忆网络结合的电池荷电状态预测方法

针对电池荷电状态(SOC)预测的精确度与稳定性问题以及深层神经网络的梯度消失问题,提出一种基于一维卷积神经网络(1D CNN)与长短期记忆(LSTM)循环神经网络(RNN)结合的电池SOC预测方法——1D CNN-LSTM模型.1D CNN-LSTM模型将电池的电流、电压和电阻映射到目标值SOC.首先,通过一层一维卷积...     

基于卷积神经网络与双向长短时融合的锂离子电池剩余使用寿命预测

针对锂离子电池剩余使用寿命（remaining useful life,RUL）传统预测方法的精确度与稳定性较低等问题,融合卷积神经网络（convolutional neural network,CNN）和双向长短期记忆（bidirectional long short-term memory,BiLSTM）神经网络的...     

基于改进一维卷积和双向长短期记忆神经网络的故障诊断方法

针对工业领域中故障诊断数据存在时序性和夹杂强噪声的特点导致的收敛速度慢以及诊断精度低的问题,提出了一种基于改进一维卷积和双向长短期记忆（1DCNN-BiLSTM）神经网络融合的故障诊断方法。该方法包括故障振动信号的预处理、特征的自动提取以及振动信号的分类。首先,采用自适应白噪声的完整经验模态分解（CEEMDAN）技术对原始振动信号进行预处理;其次,构建1DCNN-BiLSTM双通道模型,将处理后信号输入双向长短期记忆（BiLSTM）神经网络模型和一维卷积神经网络（1DCNN）模型两个通道,从而对信号的时序相关性特征、局部空间的非相关性特征和弱周期性规律进行充分提取;然后,针对信号夹杂强噪声的问题,对压缩与激励网络（SENet）模块进行改进并将其作用于两个不同的通道;最后,输入全连接层将双通道提取的特征进行融合并借助Softmax分类器实现对设备故障的精确识别。使用凯斯西储大学轴承数据集进行实验,结果表明改进后的SENet模块同时作用于1DCNN通道和stacked BiLSTM通道,1DCNN-BiLSTM双通道模型在保证快速收敛的情况下有最高诊断精度96.87%,优于传统单通道模型,有效提高了机械设备故障诊断效率。     

基于图神经网络和长短期记忆模型的房价预测方法

针对目前仅单独考虑价格序列中样本的趋势或仅考虑多个关联属性与价格间的函数关系,而不能更准确地进行房价预测的问题,构建了时空注意力图卷积长短期记忆模型AG-LSTM,包含局部特征提取模块、区域特征提取模块、复合预测模块。局部特征提取模块分别使用同构图和异构图神经网络提取各小区及价格关系属性、各小区和配套邻居节点相关性的特征信息;区域特征提取模块先对邻近小区节点进行聚类,再结合图注意力网络获得小区节点对所属区域的重要性程度,建立区域与小区之间的映射矩阵,根据小区节点信息和映射矩阵得到区域特征;复合预测模块使用长短期记忆模型对由局部特征和区域特征组成的复合特征进行时序建模,实现房价预测。以链家网北京房价数据进行了实验,结果表明AG-LSTM预测结果优于已有基线模型。该模型同时挖掘了小区间位置关系、小区与其配套间位置关系、多个关联属性、价格时序趋势对房屋价格的影响,较好地实现了房屋价格的预测。