基于改进的LSTM癫痫预测算法研究

癫痫作为一种脑神经系统疾病,因其反复性强和治愈性低的特点,成为了 目前医学界的难题.癫痫的患病率在世界上仅次于急性脑卒中的慢性疾病,达0.4％-1.4％.针对疾病发作的实时预测困难的问题,提出一种基于长短期记忆网络(LSTM)改进的癫痫发作预测算法研究.对经过预处理的电脑信号采用小波变换提取信号中的不同能量特征作为LSTM的输入参数,将电子搜索算法(ESA)和随时间反向传播算法(BPTT)相结合更快更准确地调整网络参数,以实现癫痫病发作的短时预测.与现有的网络预测分类模型LSTM、SVM进行对比试验,本文算法较传统分类算法提高了分类精度,达93.7％.     

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.     

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。     

基于简化型LSTM神经网络的时间序列预测方法

针对标准长短期记忆(long short-term memory, LSTM)神经网络用于时间序列预测具有耗时长、复杂度高等问题,提出简化型LSTM神经网络并应用于时间序列预测.首先,通过耦合输入门与遗忘门实现对标准LSTM神经网络的结构简化;其次,从门结构控制方程中消除输入信号与偏差实现进一步精简;然后,采用梯度下降算法更新简化型LSTM神经网络的参数;最后,通过2个时间序列基准数据集及污水处理过程出水生化需氧量(biochemical oxygen demand, BOD)质量浓度预测进行实验验证.结果表明:在不显著降低预测精度的情况下,所设计的模型能够缩短训练时间,减少LSTM神经网络的计算复杂度,实现时间序列的预测.     

基于新维灰色马尔科夫模型的股价预测算法

灰色预测适合于时间短、数据量少、波动不大的系统对象,但是对于系统对象的中长期预测,采用任何形式的GM（1,1）模型,预测结果往往会偏高或偏低,而马尔柯夫链理论适用于预测随机波动大的动态过程。通过结合灰色预测和马尔柯夫链理论的特点,并利用新信息优先的思想,提出了一种新维无偏灰色马尔柯夫预测模型,用无偏GM（1,1）模型拟合系统的发展变化趋势,并以此为基础进行了马尔柯夫预测,在每一步预测中,不断推陈出新,更新原始数据。实验结果表明,与一般的灰色马尔柯夫预测模型相比,预测准确度尤其是中长期预测准度得到了较大提高。     

基于多尺度分解和深度学习的锂电池寿命预测

针对目前的剩余寿命预测（RUL）方法存在模型适应性差及预测不准确等问题,提出多尺度深度神经网络的锂电池健康退化预测模型. 通过经验模态分解（EEMD）方法和相关性分析（CA）,将采集到的锂电池能量数据分解为主趋势数据和波动数据;采用深度置信网络（DBN）和长短期记忆网络（LSTM）,分别对主趋势与波动数据进行建模;将DBN与LSTM预测结果进行有效集成,得到锂电池的健康预测结果. 实验结果表明,利用该方法能够有效地对锂电池的健康趋势进行拟合,得到准确的RUL预测结果,性能优于其他典型的预测方法.     

基于BiLSTM-SA-TCN时间序列模型在股票预测中的应用

针对股票预测模型存在时效性和预测功能单一化的问题,本文在长短期记忆网络（LSTM）的基础上,提出了融合自注意力机制（SA）和时间卷积网络（TCN）的双向长短期记忆（BiLSTM）神经网络（BiLSTM-SA-TCN）股票预测模型.BiLSTM-SA-TCN模型中的学习单元和预测单元可以有效学习重要的股票数据,同时能够抓取长时间的依赖信息,输出次日股票收盘价预测值.实验结果表明,BiLSTM-SA-TCN模型在多个数据集上的预测结果更加稳定,模型泛化能力较高,在对比实验中,BiLSTM-SA-TCN模型在大部分数据集上均方根误差最小,平均绝对值误差最小,拟合度R²最优.     

经济时间序列的灰色模型研究

中对我国国民生产总值的数学模型用灰色系统理论进行了研究,建立了这一时间序列的灰色模型,通过检验表明所建模型是高精度的。此外,对总值构成进行了灰色关联分析,得到了一些好的结果。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

基于LSTM-BLS的突发气象灾害事件中公众情感倾向分析

近年来长短期记忆网络(LSTM)在文本情感倾向分析方面显示出一定优势,但LSTM提取特征时存在语义不完整、精度不高等问题.研究者往往通过引入卷积神经网络(CNN)来弥补这一缺陷,但仍然未考虑到单词之间的句法依存问题.本文将以增量学习算法为核心的宽度学习(BLS)与LSTM相融合,提出了LSTM-BLS文本情感分析模型,并以2020断崖式降温事件为例,对突发气象灾害发生时公众情感倾向进行分析.结果表明:与基线模型K-means和支持向量机(SVM)相比,LSTM-BLS模型精度分别提高17.23和13.46个百分点;与已有深度模型LSTM、CNN-LSTM相比,本文模型精度分别提高7.13和4.17个百分点.     

基于VMD-CSSA-LSTM组合模型的股票价格预测

针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题,建立一种基于变分模态分解(Variational Mode Decomposition,VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm,CSSA)-长短期记忆 (Long Short-Term Memory,LSTM) 神经网络的组合模型——VMD-CSSA-LSTM.首先,利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function,IMF)分量.然后,采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化,将最优参数拟合至LSTM网络中.最后,对每个IMF分量建模预测,将各分量预测结果叠加得到最终结果.实验结果表明,与其他模型相比,本文模型在多支股票数据集上的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)均达到最小,预测股票收盘价格误差在0附近波动,稳定性更优、拟合更佳、精确度更高.     

基于多注意力机制集成的非侵入式负荷分解算法

针对输入负荷特征对分解结果的重要程度不同,以及长短时记忆网络（LSTM）在捕捉长时间用电信息的时间依赖性方面受限导致分解误差高等问题,提出一种基于多注意力机制集成的非侵入式负荷分解算法.首先,利用概率自注意力机制对一维空洞卷积提取到的负荷特征进行优化处理,实现重要负荷特征的遴选;其次,采用时间模式注意力机制对LSTM的隐状态赋予权重,从而增强网络对长时间用电信息之间的时间依赖性的学习能力;最后,利用公开数据集UKDALE和REDD对所提分解模型的有效性和创新性进行验证.实验结果表明,与其他多种现有分解算法相比,基于多注意力机制集成的分解算法不仅具备更好的负荷特征遴选能力,而且能更加精确地建立特征之间的时间依赖关系,有效降低了分解误差.     

LSTM-WBLS模型在日降水量预测中的应用

基于长短时记忆网络(Long Short-Term Memory, LSTM)降水量预测模型存在过拟合、时滞现象,而宽度学习系统(Broad Learning System, BLS)无需多次迭代的特点有助于解决LSTM的上述缺点.加权宽度学习系统(Weighted Broad Learning System, WBLS)通过在BLS中引入加权惩罚因子约束分配样本权重,降低噪声和异常值对降水量预测精度的影响.本文提出一种LSTM-WBLS日降水量预测模型,选取湖北省巴东站日降水量进行实证研究,并考虑气压、气温、湿度、风速和日照等因素对降水量的影响.实验结果表明,与现有的预测模型相比,LSTM-BLS模型在RMSE、MAE和R²等评价指标上均有显著提升.不同时间步长下,本文模型预测精度均优于现有模型,验证了其稳定性.与LSTM相比,WBLS直接计算权重的特点使得LSTM-WBLS的运算效率并未降低.     

基于图神经网络的地表水水质预测模型

针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络（GNN）的地表水水质预测模型. 该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络（LSTM）建模水质指标序列在时间上的复杂依赖关系,将编码结果输入到解码器中得到预测输出. 实验结果表明,与时间序列分析方法、通用回归方法和一般深度学习方法相比,该模型能够实现23.3%、26.6%和14.8%的性能提升.     

犯罪预测的方法

为了利用历史数据对犯罪态势进行更加准确的预测,提出一种基于改进长短期记忆（long short-term memory,LSTM）网络的犯罪态势预测方法.首先统计某区域在每一个时间步长内发生犯罪事件的数量,作为一个时间步长值,再由多个时间步长组成一个时间序列,结合均方差滤波对统计的序列数据做标准化处理.其次建立包括输入层、隐藏层、全连接层和输出层的LSTM网络,在训练阶段将以上一段时间步长的预测值作为输入改为以实际值作为输入,根据修正的网络参数循环进行后续的预测,再对网络输出进行标准化逆处理得到预测结果.将2016年美国洛杉矶地区统计的全部犯罪记录作为实验数据,得到了态势拟合度较高的实验结果,与改进前相比,预测结果的均方根误差（root mean square error,RMSE）从139.65降低到了85.88,验证了基于改进LSTM网络对犯罪态势预测的有效性和准确性,并且通过与其他现有方法的对比,进一步证明了本方法在时间性能和准确性上的优越性.

     

基于误差修正的极端天气下风速预测

精确地预测极端天气下的风速能为配电网防灾抗灾提供重要的指导作用.本文提出基于时间卷积网络(Temporal Convolutional Network, TCN)与双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)和误差修正的组合模型对极端天气下的风速进行预测.首先对天气数据进行预处理,用TCN提取多特征数据的时间序列特性,将提取信息输入到BiLSTM中进行风速预测.为进一步提高预测精度,引入变分模态分解(Variational Mode Decomposition, VMD)对误差序列进行分解,分别对分解后的误差子序列构建BiLSTM模型进行误差预测,用误差预测值对风速预测值进行误差修正.结合河南省某地实测天气数据进行实验,仿真结果验证了所提方法能有效预测风速,并在极端天气发生时,对风速具有较高的预测精度.     

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.