基于LSTM神经网络模型的交通事故预测

道路交通事故是道路交通安全水平的具体体现,为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型,训练交通事故相关的数据,对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比,实验显示LSTM拟合效果最佳,另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系,能够更准确地对交通事故安全水平进行预测,使交通管理部门制定更加科学准确的决策。     

基于ARIMA和LSTM的上证指数预测与分析

近年来,股票已成为很多普通人的投资对象。而上证指数作为股市风向标,对于宏观经济和整个股票市场具有十分重要的作用。用机器学习的方法研究上证指数,有助于了解股市变动,掌握上证多数个股的走势,给决策及投资者提供一些建议。基于此,以上证每日指数为研究对象,对2000—2022年的数据进行研究,采用差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)与长短期记忆(Long Short Term Memory,LSTM)模型拟合上证指数收盘价,然后对预测结果进行分析并做出评价。     

基于LSTM的时间特征短期电力负荷预测方法研究

新能源发展的规模越来越大,电力系统的需求也越来越大,准确的电力负荷预测有助于电力调度、能源规划。对此,提出基于LSTM的短期电力负荷预测多种方法。其中包括LSTM模型、CNN＿LSTM模型、Attention＿LSTM模型、CNN＿Attention＿LSTM模型。选择的数据集来自于马来西亚柔佛州供电公司提供的小时用电负荷数据。为了提高准确率,还加入了时间特征、温度、湿度等多维度去考虑对负荷预测的影响。实验结果显示,平均绝对百分比误差、平均百分比误差等评价指标均优于传统方法。     

基于LSTM-RELM组合模型的电商GMV预测研究

随着互联网的发展,内容营销逐渐成为电商营销的主流,而该类营销的日商品交易总额（gross merchandise volume,GMV）直接关系到企业的库存优化控制与广告投放策略。为了提高预测精度,基于真实电商订单数据集,根据内容营销的指标,分析用户行为对于GMV的影响,提出了一种长短期记忆网络（long short-term memory network,LSTM）与正则化极限学习机（regularized extreme learning machine,RELM）的组合模型LSTM-RELM。实验结果表明,相比于传统单一模型与双LSTM、LSTM-SVR、GM(1,1)-BP等组合模型,LSTM-RELM模型具有更精确的预测效果与更快的运行速度,能为相关销售企业提供广告投放策略参考与库存优化建议。     

基于改进LSTM的无线通信网络节点入侵预警方法

针对当前无线通信网络节点攻击入侵告警存在准确性差、告警响应速度慢的问题,引入改进长短期记忆网络（Long Short Term Memory,LSTM）,开展无线通信网络节点攻击入侵告警算法研究。首先,收集无线通信网络数据,提取受损节点特征;其次,利用改进LSTM构建节点攻击入侵检测模型;最后,结合模型输出,对攻击入侵行为告警,并完成告警信息融合。实验结果表明,新的告警算法可以实现对所有无线通信网络节点攻击入侵行为的准确告警,且响应速度显著加快。     

基于LSTM-CNN-CBAM模型的股票预测研究

为了更好地对股票价格进行预测,进而为股民提供合理化的建议,提出了一种在结合长短期记忆网络(LSTM)和卷积神经网络(CNN)的基础上引入注意力机制的股票预测混合模型(LSTM-CNN-CBAM),该模型采用的是端到端的网络结构,使用LSTM来提取数据中的时序特征,利用CNN挖掘数据中的深层特征,通过在网络结构中加入注意...     

基于LSTM的移动对象位置预测算法*

移动对象位置预测是基于位置服务的重要组成部分。现有的移动对象位置预测算法有基于马尔可夫链的算法、基于隐马尔可夫模型的算法、基于神经网络的算法等,然而这些算法都无法解决移动对象轨迹数据中位置过多带来的维数灾难问题。为了解决这一问题,提出了位置分布式表示模型(location distributed representation model,LDRM)。该模型将难以处理的表示位置的高维one-hot向量降维成包含移动对象运动模式的低维位置嵌入向量。随后,将该模型与基于长短期记忆网络(long short-term memory,LSTM)的位置预测算法结合为LDRM-LSTM移动对象位置预测算法。真实数据集上的实验表明,与现有算法相比LDRM-LSTM算法在预测准确性上有较大的提升。     

K-Similarity降噪的LSTM神经网络水质多因子预测模型

针对水质预测问题,以地表水水质监测因子作为研究对象,提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型,同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪,提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验,证明了所提出的方法均方误差最小,预测结果更准确.     

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...     

基于考虑滞后性LSTM模型的电商需求预测

消费者网络购物浏览时间碎片化、对价格更敏感的特征带来滞后性消费。为了掌握顾客消费趋势,通过获取Q企业纸类商品的历史销售数据和消费者购买行为数据,分析消费者行为对销售数据的影响,并利用随机森林分别选取不考虑滞后性和考虑滞后性的特征因子;基于LSTM神经网络建立快消品的需求预测模型;根据Q企业纸类商品的数据进行预测及验证,结果表明考虑滞后性LSTM模型预测相对误差更小,预测精度更高。     

基于LSTM-RPA音乐流行趋势预测研究

大数据背景下的音乐历史数据蕴含丰富的时间信息和用户行为信息,通过分析音乐艺人和听众行为数据,可以较为精准地预测音乐播放量走势,进而预测音乐流行趋势。传统的时间序列预测模型可以准确预测短趋势,但在长趋势预测中受历史信息衰减的影响,难以获得较好的效果。针对LSTM在音乐长趋势预测中历史信息衰减的问题,提出改进的LSTM滚动预测模型,该模型在预测阶段将前一次输入与当前预测结果相结合,使得历史信息可以沿预测趋势方向流动,从而缓解模型在长趋势预测中的历史信息衰减。实验采用“2016中国高校计算机大赛——大数据挑战赛：阿里音乐流行趋势预测”的比赛数据集,并使用比赛主办方提供的F值进行评估。实验结果显示：在相同条件下预测艺人未来30天的每日音乐播放量,最优LSTM滚动预测模型与LSTM、BiLSTM、GRU、RNN相比F值提高13.03%、16.74%、11.91%、18.52%,平均误差减少39.02%、48.55%、36.02%、52.88%;与传统的时间序列预测模型差分整合滑动平均自回归模型相比F值提高10.67%,平均误差降低32.64%。     

基于改进LSTM神经网络的测井曲线重构方法

地球物理测井过程中,由于仪器测量或者井眼原因等经常会造成部分测井曲线失真或缺失的情况,针对失真或缺失部分测井曲线的补全与生成问题,对测井领域知识和长短期记忆神经网络(LSTM)进行了研究,提出联合领域知识与深度学习的测井曲线重构模型(DK-LSTM)。利用测井领域知识中的地层岩性特征指数筛选数据得到高质量的训练样本,并将其作为深度学习重构测井曲线的依据;构建并训练带有领域知识约束层的长短期记忆神经网络模型;基于测井曲线间的强依赖关系在重构模型中引入注意力机制,进而生成并补全测井曲线中失真或缺失的信息。实验结果表明DK-LSTM测井曲线重构模型较标准长短期记忆神经网络和串级长短期记忆神经网络具有更准确的预测效果,为测井曲线重构提供了一种新思路。     

基于深度学习的商品销售预测研究

文章基于深度学习方法,通过结合粒子群优化(Particle Swarm Optimization,PSO)和长短期记忆(Long Short Term Memory,LSTM)网络,提出了一种针对大数据的商品销售预测模型。文章首先分析了LSTM的结构,其次分析了PSO方法对LSTM的优化方式,提出了PSO-LSTM商品销量预测模型,最后使用Kaggle上的数据集进行训练和测试。将所提出的模型与标准LSTM模型进行比较,结果表明,所提方法的预测精度和稳定性均优于标准LSTM方法。     

基于注意力机制的短道速滑运动轨迹预测模型

为了解决短道速滑中多名运动员在拥挤状态下容易出现轨迹判断错误的问题,本文设计了一种基于注意力机制的轨迹预测模型。把位置和速度信息输入LSTM编码器中,再通过注意力模块对速度信息进行加权求和,最后整合速度和位置的隐藏状态输入到LSTM解码器来对短道速滑轨迹进行预测。结果采用平均位移误差（ADE）和最终位移误差（FDE）进行评估。结果表明：提出的轨迹预测模型在短道速滑运动员训练数据集中和在公开数据集中与基准模型相比平均ADE和FDE精度明显优于其他网络模型,具有一定的实用价值。     

基于LSTM算法的云资源库存需求预测

针对云资源库存需求存在着预测实际效果差等问题,通过分析云资源库存需求历史数据的时间序列特征构建长短期记忆（Long Short Term Memory,LSTM）模型,使用A公司数据集设计LSTM与Prophet的对比实验。结果表明,与Prophet算法相比,LSTM网络模型能够较好地预测云资源库存需求的变化趋势,且预测误差较低。     

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LSTM水稻产量预测

随着人工智能技术的不断发展,传统的人工经验预测方法已经不能满足现代农业发展的需求。近年来,基于深度学习的产量预测模型成为热门研究领域。针对水稻产量预测问题,基于长短期记忆网络（LSTM）建立一个水稻产量预测模型。该模型将天气特征、地理位置、风向作为输入特征并利用LSTM模型进行组合预测,以提高农作物产量预测的准确性。通过实验结果分析,验证了该模型的有效性。     

基于最简子图的链接表示及预测

稀疏网络的传统链接预测准确率低,为了捕捉稀疏网络节点间建立链接的可能性,提出基于节点间最短路径的最简子图概念。最简子图反映了节点间的拓扑紧密关系,在采用node2vec节点向量化方法的基础之上,实现了基于最短路径的链接表示,并采取长短期记忆循环神经网络(LSTM)学习长链接节点序列的特征,最终实现链接的分类。实验结果表明,该方法与已有方法相比,在4种不同数据集上的预测AUC值平均提高了11.6%,AP值平均提高了13.3%。     

基于LSTM神经网络的管道缺陷模式识别方法研究

针对复杂环境下,管道振动信号特征微弱难以提取的问题,提出一种基于长短时记忆网络(LSTM)深度学习神经网络的管道缺陷模式识别方法;首先利用改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)对采集的原始信号进行分解得到若干个固有模态函数(IMF)分量,随后根据信息熵理论计算IMF分量的近似熵作为管道典型状态的特征值构造特征向量集合,然后构造LSTM深度学习神经网络训练模型并调节深度神经网络在训练过程中的相关参数进行网络的结构优化,最后将特征向量输入到LSTM神经网络模型进行训练和识别;结果表明:针对管道振动信号特征微弱难以提取的问题,该方法对管道缺陷模式识别的准确率达到了95％,在消除管道振动信号的背景噪声、挖掘特征信息和保证识别准确性方面优势明显.