基于混沌类电磁算法优化支持向量机的短期负荷预测

短期负荷预测准确性对于电网态势感知和电网策略具有十分重要的意义。提出一种基于混沌类电磁学（CEM）优化支持向量机的短期负荷预测方法,该方法利用聚类思想判断数据质量并进行相关数据预处理工作。建立支持向量机的短期负荷预测模型,针对传统支持向量机参数选择困难问题,引入混沌类电磁学算法优化参数,提高算法收敛效率和寻优能力。仿真结果表明：所提算法较传统支持向量机算法和粒子群-支持向量机算法（PSO-SVM）收敛速度更快,寻优能力更强,适用于短期负荷预测。     

基于混沌粒子群算法和小波SVM的P2P流量识别方法

针对对等网络(Peer-to-Peer,P2P)流量具有的多尺度和突变性等问题,提出了基于小波核函数的支持向量机(Support Vector Machine,SVM)的P2P流量识别算法。进一步,对常用的SVM参数训练方法训练时间过长和易陷入局部极优值等缺陷进行分析,使用混沌粒子群算法对SVM参数进行优化以提高参数训练效率和识别准确率。最后利用真实的校园网网络流量数据对所提方法的有效性进行测试,结果表明,相对于使用传统核函数和参数训练方法的支持向量机P2P流量识别方法,所提方法具有更高的P2P流量识别正确率和计算效率。     

基于小波支持向量机的P2P网络流量识别算法

对等网络技术引起了广泛关注,其典型的应用有文件共享、即时通信等.为了更好地合理使用、规划P2P网络资源,建立P2P流量识别模型具有十分重要的理论意义和现实价值.提出了一种基于小波支持向量机相结合的P2P流量识别模型,将小波分析中多尺度的学习方法和SVM的优点结合起来,通过小波分析与SVM方法紧致结合,引入满足小波构架和Mercer定理的小波基函数来构造SVM的核函数,建立小波支持向量机的P2P识别算法.实验结果表明该算法能够有效地提高P2P网络流量识别的精度.     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

基于混沌理论和神经网络的网络流量预测

针对目前网络流量预测不能很好地满足智能网络管理需求的现状,分析网络流量数据内在混沌特性,主要包括时间延迟、嵌入维数、关联维数及Lyapunov指数的计算,并将此分析耦合人工神经网络模型进行预测,最后给出某网络中心流量预测的实例,结果显示基于混沌时间序列分析的神经网络流量预测在数据动力特征刻画及误差控制上有显著优势。     

基于组合模型的短时交通流预测方法

准确、实时的交通流预测对交通规划、交通管理和交通控制具有重要意义.然而,由于道路网络拓扑结构约束和交通流随时间动态变化的空时相关特性,交通流预测仍然具有挑战性.为了同时捕获交通流的空间和时间相关性,提出一种将图卷积网络(GCN)和门控循环单元(GRU)相结合的组合模型方法.利用GCU能够灵活处理图结构数据的优点来捕捉各个路段的空间特征,继而发挥GRU在处理时间序列方面的优势挖掘交通流的内在时间规律,空时融合后得到最终预测结果.利用美国交通研究数据实验室的高速公路交通数据对该模型进行仿真验证,结果表明,所提出的GCN-GRU组合模型方法具有更高的预测精度,预测结果优于自回归积分滑动平均(ARIMA)模型和GRU模型等基准预测方法.     

基于混沌理论的网络流量BP神经网络预测

应用相空间重构技术,论证了网络流量存在混沌现象,并计算了实际网络流量的关联维,Lyapunov指数;在此基础上对网络流量时间序列建立BP神经网络模型对网络流量进行预测,实例表明,和FARIMA(p,d,q)模型相比,基于混沌理论的BP神经网络模型有较好的预测能力,并具有较长的预测步长。     

基于TLBGA-GRU神经网络的短期负荷预测

短期负荷预测在电网调度安排和电力市场交易中发挥着重要作用,预测精度高,有利于提高发电设备的利用率和经济调度的有效性。为充分挖掘负荷数据中时序性特征的联系,解决神经网络中由超参数的随机选取导致的预测精度下降问题,提出一种基于教与学的遗传算法（TLBGA）和门控循环单元（GRU）神经网络的短期负荷预测方法。利用灰色关联分析法对原始数据进行相关度分析,剔除冗余特征,使输入与输出保持较好的映射关系,在遗传算法中加入一种基于教与学优化的新型变异算子,用于防止其出现早熟收敛问题,从而提高解的质量。在此基础上,运用改进后的TLBGA算法对GRU神经网络模型进行超参数寻优,更新GRU的模型超参数并使其性能达到最佳状态,以提高负荷预测的精度。对欧洲某地区的电力负荷数据集和美国PJM电力市场公开负荷数据集进行预测,结果表明,该方法的预测精度分别达到了97.1%和97.2%,相比反向传播神经网络、循环神经网络及GRU神经网络模型,具有更高的预测精度。     

基于IPSO-LSTM神经网络的短期负荷预测

在电网负荷预测方面,LSTM模型有较好的预测精度.但模型参数需要手动设置,网络训练时间长.提出一种改进粒子群算法(IPSO)与长短期记忆网络(LSTM)相结合的预测模型(IPSO-LSTM).利用IPSO对LSTM网络的神经元数,学习率等参数进行优化,自动寻找合适参数,提高预测精度和收敛速度.以某地电力公司的历史负荷数...     

基于混沌粒子群优化SVR的网络流量预测

计算机网络流量预测对于网络流量的控制和调整,进而提高网络性能和服务质量起着重要的作用.当前传统计算机网络流量方法预测精度较低,仅为85%左右.针对网络流量的非线性和时变特性,难以准确实现网络流量评估,为了解决此问题,提出基于混沌粒子群优化SVR的网络流量预测方法.支持向量回归算法(SVR)是一种用于趋势预测的支持向量机模型,能找到全局最优解.然而,SVR参数的选择对回归模型优化起着决定性作用.采用混沌粒子群优化算法(CPSO)优化支持向量参数,通过建立混沌粒子群优化SVR的网络流量预测模型.仿真结果表明,混沌粒子群优化SVR网络流量预测模型能力强、效果好.     

基于遗传算法优化小波神经网络的短期天然气负荷预测

天然气负荷预测对于燃气经营企业尤其重要,对保证天然气管网的用气量、优化管网的调度具有重要意义.传统的天然气预测模型预测精度低、模型泛化程度低.为了克服模型缺陷,提出了一种基于遗传算法优化小波神经网络的天然气负荷预测模型.通过遗传算法对小波神经网络的阈值以及网络连接权值等参数进行优化,从而建立预测效果最好的模型,通过企业提供的历史门站数据对预测模型进行验证.仿真结果表明,使用遗传算法优化网络参数的小波神经网络提高了模型的预测精度,具有一定的工程应用价值.     

基于一种混合算法模型的短期电力负荷预测

研究电网管理,进行电力负荷预测,为了保证系统的安全性,提出一种新颖的混合算法预测模型,是在粒子群优化算法的基础上引入模拟退火算法的思想形成一种混合算法,再结合模糊神经网络而成的一种预测模型.可有效地避免了传统的模糊神经网络收敛慢且容易陷入局部最小的缺点,也有助于克服标准粒子群优化算法训练模糊神经网络出现的早熟现象.通过对某市一天的电力系统进行短期负荷预测的仿真,并对BP算法、遗传算法、标准粒子群优化算法的模型进行了比较,仿真结果表明,改进预测模型的优越性和有效性.     

基于流量预测的TCP拥塞算法的研究

提出一种基于自相似长相关性网络流量的TCP拥塞控制机制。利用自相似长相关性网络流量极值出现时间长的特性,预测下一时段的网络流量,动态调整相应的拥塞窗口a值,使TCP拥塞窗口从简单的线性增长变成随着网络资源的具体情况呈阶梯函数改变。仿真模拟表明,该方案降低了多媒体业务流的突发性,平滑了数据速率的变化,使缓存队列长度下降,增加了总体数据的传输率,提高了带宽的利用率。控制网络拥塞,减小延迟,达到网络负载平衡。     

基于卷积长短时记忆网络的CPI预测

针对消费价格指数(CPI)的预测值滞后于真实值的现象,提出一种基于卷积神经网络-长短期记忆(CNN-LSTM)深度网络的CPI预测模型,预测结果相较于传统方法有较小的均方根误差和平均绝对百分比误差,且预测结果的定向精度和Pearson相关系数显著高于传统方法.用卷积神经网络-长短期记忆深度网络学习期货数据的空间特征和时...     

A Novel Combined Model for Short-Term Electric Load Forecasting Based on Whale Optimization Algorithm

Neural Processing Letters - Stable electric load forecasting plays a significant role in power system operation and grid management. Improving the accuracy of electric load forecasting is not only...     

混沌理论和神经网络的农业经济预测仿真研究

研究农业经济准确预测问题,农业经济具有混沌性、非线性的复杂系统,传统方法忽略农业经济变化的混沌性,难以精确地描述其变化规律,导致预测精度低.为提高农业经济时间序列预测的精度,提出混沌理论和神经网络相结合的农业经济预测模型(Chao-BPNN).首先对农业经济变化的时间序列数据进行相空间重构,揭示隐含数据中的混沌变化规律,然后采用BP神经网络对农业经济时间序列数据进行学习和建模,反映农业经济变化的非线性变化点,并对神经网络参数进行优化,以提高预测精度.仿真结果表明,Chao-BPNN克服了传统方法的缺陷,能够全面、准确描述农业经济时间序列变化规律,提高了农业经济预测精度.     

改进的神经网络在网络流量预测中的应用研究

关于保证网络安全服务,研究网络流量预测问题.网络流量数据具突发性、非线性和时变性等等特点,传统RBF神经网络在网络流量预测过程存在敛速度慢、极易出现局部最优等缺点,从而导致预测精度低和难问题.为了提高网络流量的预测精度,提出一种粒子群算法优化RBF神经网络参数的网络流量预测方法.首先采用粒子群算法对RBF神经网络的参数进行优化,简化网络结构,加快收敛速度,并用优化后RBF神经网络对网络流量进行预测,防止局部最优的出现.最后在Matlab平台对模型进行了仿真,结果表明,算法提高了网络流量的预测精度.相对于传统的网络流量预测方法,提高了预测效率.     

基于改进LMD与GRU网络的短期燃气负荷预测

针对燃气负荷数据非线性、非平稳性的特点,本文提出一种基于改进的LMD算法与GRU神经网络的组合预测模型.模型首先利用改进后的LMD算法对燃气负荷数据进行序列分解,改进的LMD方法采用分段牛顿插值法代替传统的滑动平均值法来获得局部均值函数和包络估计函数,改善了传统LMD方法存在的过平滑问题.之后,再将得到的若干PF分量进行小波阈值去噪处理,获得有效的分量数据.最后,利用GRU神经网络分别预测各分量值,将它们相加得到最终的负荷预测值.仿真实验表明,提出的方法与单个GRU神经网络以及结合传统LMD算法的GRU网络相比,预测精度更高.     

基于K-Means和CNN的用户短期电力负荷预测

随着电力物联网的不断发展,用户级电力负荷预测在电力需求侧管理中呈现出日益重要的作用.为了提高用户级电力负荷预测的性能,本文提出一种基于K-means聚类与卷积神经网络特征提取的短期电力负荷预测模型.首先,利用K-means将用户聚为两类:对于日相关性强的用户,将相邻时刻和日周期的历史负荷作为输入,采用CNN模型提取特征进行预测;对于日相关性弱的用户,仅将相邻时刻的历史负荷输入到CNN模型进行预测.为了验证所提出算法的性能,我们在实际的用户负荷数据上做了实验,并与随机森林、支持向量回归机进行对比,结果表明本文所构建模型的预测平均绝对百分误差降低了20%以上.