基于深度学习方法的沪铜期货价格预测研究

为了提高沪铜期货价格预测的准确性,本文运用深度学习方法中的门控循环单元网络(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)三种模型对沪铜期货进行不同频率输入数据的价格预测,结果表明:相比于LSTM神经网络和CNN神经网络,GRU神经网络的预测效果最好。相对于低频数据,高频数据的预测结果更加准确。     

基于卷积神经网络的框架剪力墙结构层间位移角预测

采用机器学习等智能算法预测结构时程响应时,通常将地震动的某项静态指标作为输入来考虑。这种处理方法丢失了地震动记录本身的时程特性。本文提出将地震动记录处理成二维张量来处理其时程信息,以一栋框架剪力墙结构为对象,通过数据集构造、网络模型搭建和参数优化,训练卷积神经网络(CNN)来预测结构的最大层间位移角。此外,还采用人工神经网络(ANN)以及长短时记忆神经网络(LSTM)进行对比分析,研究结果表明：CNN与LSTM能够有效地预测弹性状态下的结构层间位移角,且CNN的预测精度最高,训练耗时最少。     

基于LSTM多变种模型的岩爆微震参数预测研究

岩爆是深地工程和深部资源开采中必须要解决的核心问题之一。基于改进的LSTM神经网络,提出了用于时间序列预测的LSTM微震多参数预测模型,包括单变量时序预测模型和多元平行序列预测模型。并以峨汉高速大峡谷隧道微震监测数据对模型进行验证,同时与多项式回归方法结果进行对比分析。结果表明:单变量预测模型中堆叠式LSTM(S-LSTM)的预测精度最高;多变量预测模型中卷积LSTM(CNN-LSTM)对累积视体积和能量指数具有最好的预测效果,且余下几种LSTM模型仍可准确实现各参数演化趋势的预测,其精度均优于多项式回归分析方法。研究可为正确识别岩爆当前活动及未来状态的危险性提供理论支撑,为及时掌握岩爆未来活动状态提供重要依据。     

基于LSTM网络的地铁隧道运营期间沉降预测研究

为提高地铁隧道运营期间沉降变形预测的精度,本文提出了采用长短期记忆网络（LSTM网络）对运营期间的地铁隧道进行沉降预测。通过利用传统的反向神经网络（BP神经网络）和LSTM神经网络建立机器学习模型,通过2组深圳市某地铁隧道实测数据,对机器学习模型的预测精确度进行对比分析。实验结果表明：相比于传统的BP神经网络,LSTM网络模型预测误差较低,可降低20%左右;LSTM网络的预测结果与实测沉降值更为接近。研究成果表明将循环神经网络之一的LSTM网络引入运营期间地铁隧道的沉降预测中,可大幅度提升预测效果。     

基于LSTM的盾构掘进轨迹预测研究

盾构隧道建设过程中需要对盾构机的行进轨迹进行控制,使得盾构实际掘进线路与隧道设计轴线相吻合.文章利用长短期记忆循环神经网络(LSTM)处理时间序列数据的优势,提出了一种盾构机掘进轨迹预测模型.模型利用LSTM层代替传统神经网络中的隐含层,综合考虑了盾构操作参数、地质参数以及几何参数对盾构掘进轨迹误差的影响.结果 显示模型输出与实际测量值较为吻合,绝对误差总体上位于4mm之内,表明所提出的LSTM神经网络模型可以有效地对盾构行进路线进行预测.     

基于机器学习的北京市PM2.5浓度预测模型及模拟分析

对北京市周边8个点多个压力高度的温度、湿度和风速数据,以及北京市PM2. 5污染数据进行了分析和归一化处理,建立了反向传播神经网络(back propagation,BP)、卷积神经网络(convolutional neural network,CNN)和长短期记忆模型(long short-term memory,LSTM)对上述气象数据和污染数据进行训练,训练结果表明:反向传播神经网络模型和卷积神经网络模型对未来1 h的PM2. 5污染等级的预测准确率较低,而长短期记忆模型的准确率较高.使用长短期记忆模型预测未来1 h的PM2. 5污染值与实际值十分接近,表明北京市的PM2. 5污染与其周边地区的气象条件关系密切.通过利用长短期记忆模型对不同压力高度的气象数据进行训练和对比,得出在利用气象数据预测污染时,仅使用近地面气象数据比使用多个高度上的气象数据更加准确.     

基于LSTM-BPNN混合模型的天然气负荷预测研究

准确的天然气负荷预测对燃气公司的生产运营、调度规划和安全供气至关重要。传统的天然气预测模型往往无法充分利用输入特征之间的时序相关性,这限制了它们的预测精度。因此本文提出了一种基于长短期记忆神经网络(LSTM)和反向传播神经网络(BPNN)的混合模型用于天然气负荷预测,其中LSTM用于对输入特征进行重编码,BPNN用于学习重编码特征和用气量之间的映射函数。该方法充分利用了LSTM的时序特征提取能力和BPNN的拟合能力,旨在对用气量进行更准确的预测。本文采用浙江某天然气门站1年用气数据对该方法的性能进行了验证。结果表明,与极端梯度提升树、BPNN和LSTM相比,该方法具有更高的预测精度。     

一种用于风电功率预测的双存储结构LSTM模型

文章针对风力发电特有的间歇性和不稳定性等特性,提出一种双存储神经元的长短时记忆(LSTM)模型(DuLSTM)用于风电功率预测。通过建立双存储神经元结构的LSTM模型,对周期性较强和突变性较强的风电功率分别采用不同神经元建模,有效解决受天气剧烈变化影响下的风电功率预测精度较低的问题。实验结果表明,预测误差相对LSTM模型从10.4%下降到7.0%,改进后的Du-LSTM神经网络模型在预测精度和拟合度上优于原始LSTM网络模型。     

基于深度卷积网络的糖尿病并发症分类

本文针对现有糖尿病并发症分类研究以统计为主,缺乏有效数学模型的问题,提出了基于深度卷积神经网络的糖尿病并发症分类模型。首先进行数据预处理,将糖尿病数据进行降维和向量化;其次采用深度卷积神经网络对并发症进行分类,并与SVM、决策树、BP神经网络等经典方法进行了对比。实验结果表明,本文提出的基于深度卷积网络的糖尿病并发症分类模型准确性高于其它模型,能够为糖尿病并发症提供有效地辅助诊断。     

基于BiLSTM的公共安全事件触发词识别

提出基于双向长短期记忆网络(bidirectional long short-term memory,Bi LSTM)和前向神经网络的融合模型完成公共安全事件的触发词识别任务.首先通过Bi LSTM提取整段文本的高层语义特征,避免了以往机器学习方法需要人工提取特征的问题,其次采用特征拼接并在前向神经网络中识别并分类事件触发词.实验结果表明相较于基准模型,本文方法在中文突发事件语料库(Chinese emergency corpus,CEC)上取得了更为突出的性能,Micro-F1值为78. 47%.此外本文讨论了不同拼接特征在触发词识别任务中的重要性,对文本分析中3类特征(词性、句法、实体)的重要程度进行了比较和分析,得出句法特征对于事件触发词识别任务助益最大的结论.