基于EMD-SE-LSTM模型的火电机组振动预测

在电厂中,汽轮机发生故障时通常会出现轴承振动异常的情况。为了在故障发生之前采取预防措施,准确预测汽轮机轴承振动成为预防故障的基础。然而,振动数据的强烈波动性导致了难以进行准确的预测。为解决这一问题,首先利用经验模态分解(EMD)将振动信号分解成多个分量,然后利用样本熵(SE)对这些分量进行分析,并将所得到的分量重构为趋势信号和波动信号。接着,利用具有注意力机制的长短时记忆网络(LSTM-Attention),将轴承振动相关的测点数据作为辅助变量输入,分别对趋势信号和波动信号进行预测。最后,将所得到的趋势信号和波动信号结果相叠加,得出预测的振动数据。为验证该模型的可行性和准确性,我们以西北某电厂的真实运行数据为例进行了实验。实验结果显示,所提出的模型相较于传统模型具有更小的误差。     

基于CEEMDAN-GRU的电网工程主材价格多步预测北大核心CSCD

电网工程主要原材料价格变动对电网工程的造价控制有着重要影响。为提高主材价格的预测精度,提出了一种基于自适应噪声完备集合经验模态分解和门控循环单元的电网工程主材价格多步预测方法。首先对原始价格序列进行分解,随后根据分解所得的各子序列的模糊熵值进行聚类。对模糊熵值较大的聚合序列进行变分模态分解,分解所得的各子序列利用GRU模型进行多步预测;对模糊熵值较小的各聚合序列直接进行多步预测。基于真实数据对所提预测方法的性能进行了实验,结果表明所提方法在预测精度上有明显提升,对电网工程材料价格预测具有较大的参考价值。     

基于CEEMDAN和小波熵的心音信号去噪算法研究

针对传统心音去噪算法可能丢失部分重要心音信息问题,提出了一种自适应噪声完备经验模态分解(CEEMDAN)和小波熵结合的心音信号去噪算法。算法通过CEEMDAN将心音信号自适应分解成多个本征模态函数(IMFs),基于各阶本征模态的能量分析判别信噪分界点,对含噪IMF分量采用小波熵自适应阈值去噪后,与信号IMF分量重构,得到去噪后的心音信号。仿真结果显示,在不同信噪比条件下,上述算法均能明显提高心音信号的信噪比,降低均方根误差,优于其它传统去噪算法,具有良好地抑制噪声能力。     

基于IF-EMD-LSTM的数据中心CPU负载预测北大核心

针对数据中心服务器运行过程中CPU负载变化不能被准确预测的问题,分别建立了整合移动平均自回归模型(ARIMA)和长短时记忆人工神经网络(LSTM)的CPU负载预测模型。由于上述模型缺少对原始数据的数据处理和人工智能算法局限性的考虑,故构建了基于孤立森林算法(IF)、经验模态分解(EMD)和LSTM的CPU负载组合预测方法(IEBL)。对所建的三种模型进行参数求解和仿真并与实验结果对比,组合预测模型的平均相对误差降低了8.71%~18.72%。结果表明,组合预测模型预测精度明显高于单一预测模型,在服务器CPU负载预测领域有广泛的应用前景。     

基于多尺度时间特征LSTM的短期负荷预测

为了提高样本数据单一情况下的负荷预测精度,提出了基于多尺度时间特征的长短时记忆网络LSTM模型。首先,采用小波分解将历史数据分解为稳定分量、趋势负荷、以及峰-谷周期和持续时间等周期序列,突出不同时间尺度特征;其次,利用LSTM网络实现时间序列特性的进一步提取和数据拟合;最后,模型直接输出多个时刻的预测值。实验表明,相比较于自组织映射、高斯过程回归、标准LSTM模型,所提基于多尺度时间特征的长短时记忆网络模型具有更高的预测精度,同时具有一定的抗噪性能。     

基于LSTM的无监督域自适应行人重识别

本文提出一种基于无监督域自适应的行人重识别方法.给定有标签的源域训练集和无标签的目标域训练集,探索如何提升行人重识别模型在目标域测试集上的泛化能力.以此为目的,在模型的训练过程中,将源域和目标域训练集同时输入到模型中进行训练,提取全局特征的同时,提取局部特征进行行人图像描述以学到更加细粒度的特征.提出将长短时记忆网络(...     

基于分解集成的LSTM神经网络模型的油价预测

为了提高油价的预测效果,提出一种基于EEMD分解、小波阈值去噪、fine-to-coarse法重构和LSTM神经网络的组合预测方法.EEMD对油价原始时间序列分解,利用小波阈值去噪法获取第一高频模态分量的有效信息;分解出的模态分量运用fine-to-coarse法重构,得到从高到低的重构分量;使用LSTM神经网络预测重...     

基于分解重构LSTM的氟化工产品价格预测方法

企业利润受产品价格波动影响,深入分析产品价格变化趋势可以显著提升企业的市场竞争力。由于传统产品销售价格分析无法有效预测市场变化,提出一种基于分解重构的长短期记忆(LSTM)方法,对氟化工产品价格进行分析和预测。该方法首先对特征数据进行预处理,包括缺失值、异常值和归一化处理;然后通过相关系数进行特征选择,并基于集成经验模态分解(EEMD)挖掘数据隐含信息,采用动态时间规整(DTW)算法进行聚类和重构,进而建立LSTM模型进行预测。实验表明,该模型可以提升预测精度、降低计算复杂度,且优于人工神经网络(ANN)和最小支持向量回归(LSSVR)等基准模型。     

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。     

基于Pytorch的LSTM模型对股价的分析与预测

股价预测一直都是股票投资者重点关注和重点研究的方向,针对股价具有高度非线性、高噪声、动态性等问题,提出一种基于自组织特征映射(SOM)神经网络和长短期记忆网络(LSTM)共同应用的股价预测方法。第一步聚类,使用python语言实现改进的自组织特征映射神经网络算法,将187支股票分成三类,三类股票以盈利能力大小进行聚类,并且求出每一类所包含的股票代码;第二步预测,基于Pytorch深度学习框架构造长短期记忆网络模型,分别对每一类中随机的3支股票进行股价预测,再通过均方误差和决定系数对预测结果进行评价。结果表明,在使用相同的预测模型对不同盈利能力的股票做股价预测时,盈利能力越大的股票,预测精度越高。此研究可以为投资者筛选出盈利能力更大的股票,并且在提高股价预测精度上也具有一定的贡献。     

基于LSTM神经网络的短期价格趋势预测

本文主要对LSTM模型结构改进及优化其参数,使其预测股票涨跌走势准确率明显提高,同时对美股周数据及日数据在LSTM神经网络预测效果展开研究.一方面通过分析对比两者预测效果差别,验证不同数据集对预测效果的影响;另一方面为LSTM股票预测研究提供数据集的选择建议,以提高股票预测准确率.本研究通过改进后的LSTM神经网络模型...     

基于优化LSTM模型的股票预测

股票预测研究一直是困扰投资者的难题.以往,投资者采用传统分析方法如K线图、十字线等方法来预测股票走势,但随着科技的进步和经济市场的发展,以及经济政策的变动,股票的价格走势受到越来越多方面因素的干扰,仅靠传统的分析方法远远不能解析出股票价格波动中隐藏着的重要信息,因此预测精度大打折扣.为了提高股票价格的预测精度,提出一种基于PCA和LASSO的LSTM神经网络股票价格预测模型.采用2015-2019年平安银行(000001)五大类技术指标数据,通过PCA和LASSO方法对五大类技术分析指标进行降维筛选,再使用LSTM模型进行平安银行股票收盘价预测,对比前两种模型和单纯使用LSTM模型的预测效果稳定性及准确性.结果表明,相比于LASSO-LSTM模型和LSTM模型,PCA-LSTM模型能够大幅削减数据冗余,并且获得了更优异的预测精度.     

基于优化LSTM模型的股票预测

股票预测研究一直是困扰投资者的难题.以往,投资者采用传统分析方法如K线图、十字线等方法来预测股票走势,但随着科技的进步和经济市场的发展,以及经济政策的变动,股票的价格走势受到越来越多方面因素的干扰,仅靠传统的分析方法远远不能解析出股票价格波动中隐藏着的重要信息,因此预测精度大打折扣.为了提高股票价格的预测精度,提出一种基于PCA和LASSO的LSTM神经网络股票价格预测模型.采用2015-2019年平安银行(000001)五大类技术指标数据,通过PCA和LASSO方法对五大类技术分析指标进行降维筛选,再使用LSTM模型进行平安银行股票收盘价预测,对比前两种模型和单纯使用LSTM模型的预测效果稳定性及准确性.结果表明,相比于LASSO-LSTM模型和LSTM模型,PCA-LSTM模型能够大幅削减数据冗余,并且获得了更优异的预测精度.     

基于LSTM的股票价格预测建模与分析

股价波动是一个高度复杂的非线性系统，其股票的调整不是按照均匀的时间过程推进，具有自身的推进过程。结合LSTM（Long Short-Term Memory）递归神经网络的特性和股票市场的特点，对数据进行插值、小波降噪、归一化等预处理操作后，推送到搭建的不同LSTM层数与相同层数下不同隐藏神经元个数的LSTM网络模型中进行训练与测试。对比评价指标与预测效果找到适宜的LSTM层数与隐藏神经元个数，提高了预测准确率约30%。测试结果表明，该模型计算复杂度小，预测准确率有所提高，不仅能在股票投资前对预测股票走势提供有益的参考，还能帮助投资者在对实际股价有了进一步的认知后构建合适的股票投资策略。     

基于自回归积分滑动平均模型的日前电价预测

常见的电价预测模型一般建立在时间序列法和神经网络法的基础上。本文将小波变换与自回归积分滑动平均模型结合起来得到小波ARIMA模型并使用该模型进行预测,相对其他时间序列方法,自回归积分滑动平均模型在处理电价这类非平稳时间序列时有更好的表现。经过预测误差的对比分析可以得知小波ARIMA模型的预测效果要优于传统的ARIMA模型。     

基于LSTM模型的球鞋价格走势分析

随着经济水平的提升,人们对于物质以及时尚的追求越来越高,球鞋作为时尚界的新宠,正在引领新一波的时尚潮流。对此,准确分析球鞋价格走势不仅仅是球鞋爱好者的需要,更是球鞋收藏者们关注的热点问题。笔者在某球鞋网站销售数据的基础上,结合时序数据的时间相关性,应用LSTM神经网络模型,分析球鞋的未来价格走势。处理与分析原始数据,结果表明基于长短期记忆人工神经网络(Long-Short Term Memory,LSTM)的深度学习模型在球鞋价格的走势预测中能够有效预测价格变化。     

基于LSTM的道路拥堵分析模型研究

针对利用交通流量和平均车速等交通要素分析交通拥堵,无法实时分析出用户车辆当前所处道路拥堵的问题,提出一种基于LSTM网络的道路拥堵分析模型.首先采用车辆检测算法判断出当前用户视角中前方车辆位置,并利用位置信息估测车距;然后结合车距信息、车辆与车道位置关系,生成车距信息矩阵;最后通过训练好的神经网络分类模型,以车距信息矩...     

混合预测模型在网络性能预测中的应用

分析比较不同预测模型的特点及应用条件,基于一次指数平滑模型、二次指数平滑模型和灰色系统模型GM（1,1）,提出并设计能适应网络性能数据序列的混合预测模型。实际应用证明,该模型预测效果良好,能够较好地实现一段时间内的网络性能预测任务。     

基于LSTM的船舶航迹预测模型

针对海上日趋复杂的情形,提高船舶交通服务系统(Vessel Traffic Service,VTS)的决策水平迫在眉睫。针对船舶航行轨迹多维度的特点以及对船舶轨迹预测的精确度和实时性的需求,提出了结合船舶自动识别系统(Automatic Identification System,AIS)数据和深度学习的船舶航行轨迹预测方法。构造基于AIS数据的航行轨迹特征,提出了循环神经网络-长短期记忆(Recurrent Neural Networks-Long Short-Term Memory,RNN-LSTM)模型,利用广州港内的船舶AIS数据对模型进行训练,并对未来船舶航行轨迹进行预测。实验结果表明,利用RNN-LSTM模型的预测方法具有精确度高、易实现的特点,并且与传统处理方法相比,其在处理序列数据方面更具优越性。