NLSTM在时空特征预测中的应用

在实际生活中，存在许多需要对数据进行建模的场景。例如：对基站数据进行建模，能了解基站的负载以及用户的流量，让运营商能够及时调整该范围内的基站数量；对交通数据进行建模能够使管理部门更好地治理拥堵路段；对气象数据进行建模能够预测污染物的浓度。总而言之，对空间时序数据进行建模，抽取特征挖掘深层关系，并加以预测，能让决策者更地做出相应的判断。本文以气象数据为例，用NLSTM网络对清洗之后的空间时序数据进行建模，从而来预测污染物的浓度，而且网络可以轻松地拓展到其他空间时序数据预测场景中。     

基于图卷积网络的基站用户数量预测

移动网络用户预测建模有助于发现城市人群时空分布特征和实行合理资源调度策略。随着移动网络的快速发展，移动通信基站产生了大量手机信令信息，为数据驱动建模提供了支撑。传统的时序预测只考虑时序特征而忽略了空间上的关联。针对这一问题，提出一种基于图卷积网络(Graph Convolutional Network, GCN)的基站用户数量预测模型。利用GCN获取基站之间的空间关联特征，通过长短时记忆(Long Short-Term Memory, LSTM)网络对时序特征进行建模。通过进行对比实验和消融实验，证明该模型能够有效提取基站用户数量的时空特征，相对传统方法具有更优的性能。     

基于注意力机制的CNN-BiLSTM的PM2.5时序特征预测

本文为了充分挖掘PM2.5浓度预报基础数据中时序性特征联系,提高PM2.5浓度预测精度,本文提出了一种基于注意力机制的CNN-BiLSTM的PM_2.5浓度预测模型,充分利用CNN空间局部特征提取能力以及BiLSTM对时间信息的双向长短期记忆,再结合Attention机制对不同特征分配权重系数,进一步提升模型的预测准确度。结果表明,本文模型在测试集上的MAE、R2、MAPE分别为：0.944、0.844、0.18,其预测效果均优于LSTM模型和CNN-LSTM模型,特别是应对突变情况下,其灵敏度和准确度更高,能较好地拟合真实值。     

基于CNN-LSTM模型的不满意用户预警研究

为了从海量数据中挖掘有效信息，提高不满意用户预测精度，针对用户话单数据时序性和非线性的特点，提出了一种基于卷积神经网络（CNN）和长短期记忆（LSTM）的不满意用户预测模型。首先，将用户信息数据和历史话单数据按时间滑动窗口构造连续特征图作为输入，采用CNN提取特征向量；然后，将特征向量以时序序列方式构造，采用LSTM进行用户满意度预测。通过所提方法对江苏省某地区移动通信用户数据的预测实验表明，本文提出的预测方法比传统预测方法、机器学习方法和标准LSTM网络预测方法具有更高的预测精度。     

基于ConvGRU和注意力特征融合的人体动作识别

在动作识别任务中,如何充分学习和利用视频的空间特征和时序特征的相关性,对最终识别结果尤为重要。针对传统动作识别方法忽略时空特征相关性及细小特征,导致识别精度下降的问题,本文提出了一种基于卷积门控循环单元(convolutional GRU, ConvGRU)和注意力特征融合(attentional feature fusion,AFF) 的人体动作识别方法。首先,使用Xception网络获取视频帧的空间特征提取网络,并引入时空激励(spatial-temporal excitation,STE) 模块和通道激励(channel excitation,CE) 模块,获取空间特征的同时加强时序动作的建模能力。此外,将传统的长短时记忆网络(long short term memory, LSTM)网络替换为ConvGRU网络,在提取时序特征的同时,利用卷积进一步挖掘视频帧的空间特征。最后,对输出分类器进行改进,引入基于改进的多尺度通道注意力的特征融合(MCAM-AFF)模块,加强对细小特征的识别能力,提升模型的准确率。实验结果表明:在UCF101数据集和HMDB51数据集上分别达到了95.66%和69.82%的识别准确率。该算法获取了更加完整的时空特征,与当前主流模型相比更具优越性。     

基于时空卷积的机会网络拓扑预测

机会网络拓扑的高动态性导致其拓扑预测极具挑战。现有拓扑预测方法主要关注网络长期时空依赖，忽视了短期时空特征。综合考虑机会网络长短期时空依赖关系，提出一种基于动态时间规整算法与时空卷积的机会网络拓扑预测方法（DTW-STC）。基于动态时间规整算法确定切片时长，将机会网络切分为快照，用快照的链路状态矩阵表征其拓扑信息；采用时序卷积神经网络获取短期时序特征，结合网络变化构建时空图表征短期时空关系，利用图卷积运算提取网络的短期时空特征，经过多次卷积的堆叠，得到网络长短期时空特征；基于自编码器结构实现向量空间切换，预测下一时刻网络拓扑。3个真实机会网络数据集ITC、MIT以及Asturias-er上的实验结果表明，DTW-STC方法的预测性能优于基线方法。     

基于深度学习的海杂波谱参数预测与影响因素分析

该文基于不同雷达参数和海洋环境参数条件下的岸基雷达海杂波实测数据,利用深度神经网络(DNN)建模技术,建立了从多个测量条件参数出发的海杂波多普勒谱参数预测模型,实现了独立于杂波数据、基于环境特征的海杂波谱特征认知,谱频移和展宽的预测精度达90%以上。基于该预测模型,该文提出了一种基于参数循环递减认知的多普勒谱影响因素分析方法,分析了不同测量参数对海杂波多普勒谱预测的影响,得到了谱参数随主要影响因素的变化规律,结果对基于多普勒特征的海面目标检测应用具有重要意义。     

基于领域知识内嵌的深度学习网络流量预测研究

首先针对流量数据可能存在的时域分布突变问题设计了一种基于JS散度的异常检测算法，以获得能够反映流量变化规律的数据。而考虑到网络流量的自相似性、长时相关性和周期性特点，提出一种基于卷积生成网络和自适应注意力元网络组成的动态时域生成流量预测模型（GDTN），能够有效地降噪、生成和预测流量数据，并根据不同输入条件动态分配不同多时域流量特征的重要性。最后在智能城域网端口数据集上进行实验，验证了该算法相比于多种经典时序预测算法在预测准确度、存储资源占用和时间效用等方面具备明显优势。     

模糊神经网络视角下云桌面虚拟时序预测探讨

网络虚拟化技术社区时序数据建模是许多学者研究的新型课题,以其模糊神经网络环境下复杂网络虚拟化技术社区时序数据预测系统中,同时基于提出模糊神经网络视角下网络虚拟化技术时序数据预测中的应用。     

人工神经网络非线性背景下物联网技术社区时序预测的应用研究

社区时序数据建模是世界各国的学者研究的新型热点课题,人工神经网络环境下复杂非线性物联网技术社区时序数据系统得到了海量实践的应用。本课题对非线性物联网技术社区时序数据预测神经网络中存在的几个瓶颈进行分析探讨,基于提出人工神经网络非线性视角下物联网技术社区时序数据预测中的应用研究来优化预测神经网络环境下中的瓶颈。因此,通过人工神经网络社区数据的仿真实验表明该算法的高效性和实用性。     

雷达功放组件输出功率预测

输出功率是衡量固态雷达发射机功放组件是否故障的重要指标,对其预测可为维护中预先更换功放组件提供决策依据,对雷达的预测性维护具有重要意义。本文利用ARIMA模型和LSTM模型对某型雷达功放组件输出功率预测进行了研究,根据实际监测到的输出功率劣化趋势将功放组件的工作阶段分为平稳工作期、缓慢劣化工作期和快速劣化工作期,并分别进行了输出功率预测实验,给出了不同预测时长下的RMSE、MAPE。研究结果表明,平稳工作期的预测效果好,长期预测和短期预测效果差别不大;当预测时长较短且监测值变化平缓时缓慢劣化工作期预测效果好,否则难以预测;快速劣化工作期难以进行满足预测性维护要求的输出功率预测。     

Underflow concentration prediction model of deep-cone thickener based on data-driven

The underflow concentration prediction of deep-cone thickener is a difficult problem in paste filling. The existing prediction model only determines the influence of some parameters on the underflow concentration, but lacks a prediction model that comprehensively considers the thickening process and various factors. This paper proposed a model which analyzed the variation of the underflow concentration from a number of influencing factors in the concentrating process. It can accurately predict the underflow concentration. After preprocessing and feature selection of the history data set of the deep-cone thickener, this model uses the eXtreme gradient boosting (XGBOOST) in machine learning to deal with the relationship between the influencing factors and the underflow concentration, so as to achieve a more comprehensive prediction of the underflow concentration of the deep-cone thickener. The experimental results show that the underflow concentration prediction model based on XGBOOST shows a mean absolute error (MAE) of 0.31% and a running time of 1.6 s on the test set constructed in this paper, which fully meet the demand. By comparing the following three classical algorithms: back propagation (BP) neural network, support vector regression (SVR) and linear regression, we further verified the superiority of XGBOOST under the conditions of this study.     

Prediction of chaotic time series based on the recurrent predictor neural network

Chaos limits predictability so that the long-term prediction of chaotic time series is very difficult. The main purpose of this paper is to study a new methodology to model and predict chaotic time series based on a new recurrent predictor neural network (RPNN). This method realizes long-term prediction by making accurate multistep predictions. This RPNN consists of nonlinearly operated nodes whose outputs are only connected with the inputs of themselves and the latter nodes. The connections may contain multiple branches with time delays. An extended algorithm of self-adaptive back-propagation through time (BPTT) learning algorithm is used to train the RPNN. In simulation, two performance measures [root-mean-square error (RMSE) and prediction accuracy (PA)] show that the proposed method is more effective and accurate for multistep prediction. It can identify the systems characteristics quite well and provide a new way to make long-term prediction of the chaotic time series.     

基于外界影响及时序因素的PM2.5预测研究

随着雾霾问题逐渐加重,对其主成分之一PM2.5的预测已成为广泛关注的问题.PM2.5日浓度变化受多种因素影响,且具有非线性、时变性的特征,难以被准确预测.针对此问题,文中提出一种基于外界影响及时序因素的PM2.5日浓度预测方法.该方法分离出PM2.5日浓度的外界主要影响因素与时间因素,建立了基于外界主要影响因素的BP神...     

基于多模态特征转换嵌入的场景图生成

场景图生成是计算机视觉领域中的热点研究方向，可连接上、下游视觉任务。场景图由形式为<主语-谓语-宾语>的三元组组成，模型需要对整幅图像的全局视觉信息进行编码，从而辅助场景理解。但目前模型在处理一对多、多对一和对称性等特殊的视觉关系时仍存在问题。基于知识图谱与场景图的相似性，我们将知识图谱中的转换嵌入模型迁移至场景图生成领域。为了更好地对此类视觉关系进行编码，本文提出了一种基于多模态特征转换嵌入的场景图生成框架，可对提取的视觉和语言等多模态特征进行重映射，最后使用重映射的特征进行谓语类别预测，从而在不明显增加模型复杂度的前提下构建更好的关系表示。该框架囊括并补充了现存的几乎所有转换嵌入模型的场景图实现，将四种转换嵌入模型（TransE、TransH、TransR、TransD）分别应用于场景图生成任务，同时详细阐述了不同的视觉关系类型适用的模型种类。本文所提框架扩展了传统应用方式，除独立模型之外，本文设计了新的应用方式，即作为即插即用的子模块插入到其他网络模型。本文利用大规模语义理解的视觉基因组数据集进行实验，实验结果充分验证了所提框架的有效性，同时，得到的更丰富的类别预测结...     

Predicting the scale of information diffusion in social network services

Predicting the scale of information diffusion is an important task for many social network services (SNS) operators and enterprises. In this paper, the authors investigate the effects of two types of indicators, user attributes and social network attributes, and study on the accuracy of predicting the scale of information diffusion, and how to select an appropriate model that can fit real data better and have a higher accuracy. The experimental results show that both user attributes and social network structure attributes have significant effects on the scale of information diffusion. At the same time, three data mining models are constructed in this paper to predict the scale of information diffusion and compare their prediction accuracy. It is found that neural network model performs much better than decision tree and linear regression do.     

基于变尺度法的网络流量预测模型的优化研究

网络流量预测是网络性能管理的一个重要组成部分,一种好的预测模型能比较准确地判断网络流量的发展趋势,对网络管理起到推进作用。提出了将变尺度法应用于指数平滑模型中,以预测误差平方和（SSE）最小作为目标,构造并自动生成了最佳平滑参数,使网络流量的预测模型得以优化,增强了指数平滑模型对时间序列的适应能力,较好地解决了指数平滑预测模型中,平滑参数靠检验确定且为静态,平滑初值难以确定并导致预测偏差等问题。通过分析,证明了此模型能够较准确地预测出网络的流量,从而提高了网络的服务质量。     

基于小波多分辨分析的线性预测

提出了一种对非平稳时间序列预测的新方法。通过小波多分辨分析把某些非平稳时间序列分解为若干层近似意义上的平稳时间序列，然后再用自回归模型对每层的单支重构信号进行预测，最后综合每层的预测值可得到原时间序列的预测值。仿真实验表明了该方法的优越性在于比传统的方法精度高。     

基于加权SVM与信息粒化的时序波动范围预测

复杂时间序列是高度复杂的非线性动态系统,传统的支持向量机方法无法对单一点值进行精确的预测,因此,对时序波动区间的预测更有参考意义。基于此,提出一种基于加权支持向量机的时序波动范围预测算法。研究中以股票指数为例,首先将原始价格数据进行模糊信息粒化,并针对金融时间序列的特点,利用改进后的加权支持向量机对粒化后的价格数据作出回归分析,同时对参数进行优化。最后对3大股票指数的预测实验验证结果表明,该方法能对复杂时间序列的波动范围进行有效的预测,并且精度优于标准支持向量机模型。     

基于快速极限学习机和差分进化的机场噪声预测模型

该文针对传统机场噪声预测模型存在的建模成本高、实用性差的不足,引入时间序列相空间重构理论,提出一种新的基于快速极限学习机和差分进化算法的机场噪声一体化预测模型。该模型利用相空间重构理论对机场噪声时间序列进行重构,并使用快速极限学习机对重构的相空间矢量进行学习建模,同时采用改进的差分进化算法实现对重构参数和模型参数的同步优化选择,整个建模过程简洁高效,无需人工干预。实验结果表明,该一体化预测模型能较好地跟踪机场噪声的变化趋势,且具有较同类模型更小的预测误差。