基于LSTM算法的电子部件故障预测

故障诊断与预测使用大量信息数据,需要采用推断统计、神经网络等研究方法,对测试数据进行分析和预测,从而评估设备健康状况,在故障发生前对指标进行预测和采取预防举措,最大限度保证电子设备健康工作。本文提出了基于LSTM(长短时记忆网络)算法的电子设备部件故障预测模型,针对时序型数据对轴承运行状态进行分析和预测。     

基于SVD-LSTM的高校学生宿舍空调负荷预测

准确预测高校空调负荷是保证高校安全用电和电力高峰期区域配电网稳定运行的前提。文中以高校空调负荷中具有代表性的学生宿舍空调负荷为对象,建立了基于奇异值分解-长短期记忆网络的高校学生宿舍空调负荷预测模型。该方法以高校学生宿舍空调负荷特性为基础,使用奇异值分解进行降噪处理,通过长短期记忆网络对高校学生宿舍空调负荷进行预测。文中以武汉某高校的真实数据为样本进行了分析验证,通过与传统预测模型对比,证明所提预测模型的预测效果和精度优于传统预测方法。     

短期风电功率预测模型研究综述

短期风电功率预测对于电力系统调度运行和电能质量具有重要的意义。而预测性能提高的关键在于预测模型选择和模型优化。本文对目前国内外几种主流风电场功率预测模型(物理预测模型、统计预测模型和组合预测模型)的建模原理和研究现状进行了综述性分析,对每种模型的优缺点和适用性进行了一些总结。并对风电功率预测模型的误差分析和预测的不确定性研究做了探讨,最后对短期风电功率预测领域的研究前景提出了一些可行性的展望。     

基于神经网络的城市交通流预测研究

 建立了一种基于神经网络的交通流量动态预测模型,分别采用BP神经网络和径向基网络(RBF)建立了预测模型,给出了数据预处理方法和预测模型评价指标.仿真结果表明该交通流量预测方法的有效性,结果分析得出径向基网络能够更加快速有效的进行城市交通流预测.     

网络设备工作负载综合预测研究

充分利用现有成熟预测模型的优势,取长补短,合理选取预测模型,结合负载影响因素,串联或者并联各模型输入或者输出,综合预测,进行网络设备动态负载预测.综合利用灰色和BP神经网络预测模型,并对其算法加以改进来提高预测准确度,分析并提出了一种综合预测模型,给出了具体的预测方法以及过程,并对预测结果进行分析,提高了预测精度,达到了预测目的.实际应用证明,该模型及方法在网络设备负载定量预测方面具有良好的效果,有较好的参考和使用意义.     

基于改进BP算法的网络态势预测模型

准确的网络态势预测可以有效的减小网络拥塞程度.本文对网络拓扑和流量数据进行分析,提取了节点数、OD流数、大象流数、总流量等反应网络态势的参数,建立了基于BP神经网络算法的预测模型进行模拟,能够有效的预测上述参数的发展趋势,在网络管理中有较好的应用前景.     

基于改进BP算法的网络态势预测模型

准确的网络态势预测可以有效的减小网络拥塞程度。本文对网络拓扑和流量数据进行分析,提取了节点数、0D流数、大象流数、总流量等反应网络态势的参数,建立了基于BP神经网络算法的预测模型进行模拟,能够有效的预测上述参数的发展趋势,在网络管理中有较好的应用前景。     

基于时序数据挖掘的航班延误预测分析

航班延误一直作为国际国内民航业的一个热点问题。通过对航班延误的相关概念进行简要介绍,建立时间序列预测模型,将数据挖掘中隐马尔可夫模型和指数平滑预测方法应用于航班延误预测分析中。通过与所采集时间点的实际航班延误数对比分析来评估预测模型,得到较为理想的预测结果。该分析为航空公司运行指挥中心提供决策支持和理论依据,对保障航班正常运行有着重要的实际意义。     

基于云计算的经济预测系统研究

目前普遍使用的经济预测系统在运行时是由政府决策者自行选择预测模型,而不能够由系统自动筛选最优预测模型,这使得最后得到的预测结果不是最优的.同时,现有的预测系统运行于单台小型机上,随着金融数据的不断增多以及预测模型的不断复杂,这势必将会超过小型机的工作负荷,大大降低系统的计算分析能力,增加等待时间.因此,就需要充分利用本...     

认知网络中基于蚁群算法的网络流量预测模型

认知网络能够感知外部环境,并能根据周围环境的变化智能、自主、自适应的动态变化,这种特性更适合为用户提供QoS(Quality of Service)保障.设计高精度的流量预测模型,可以提高认知网络的认知特性.本文针对原有预测模型预测精度低、对训练数据依赖程度高以及不能很好的刻画网络流量特征的不足,提出了一个混合的流量预测模型.它使用蚁群算法训练BP网络的权值,避免了梯度下降法收敛速度慢、容易陷入局部最优的问题.并且在预测之前,首先使用BP(Back Propagation)网络剔除原始数据中的异常数据信号,再对其进行小波分解,最后使用混合模型预测网络流量,实现了认知网络中高精度的流量预测.     

基于遗传算法优化BP神经网络雾霾预测模型的研究

对BP神经网络雾霾预测模型误差较大的问题,提出用遗传算法优化BP网络雾霾预测的方法,通过遗传算法对BP网络雾霾预测模型的权值和阈值的优化,然后用优化后的BP神经网络对实际的数据进行预测,实验表明:遗传算法优化BP网络雾霾模型具有更高的预测精度。     

基于ARMA模型的网络流量预测

针对海量网络数据的特性,基于数据分割,用分段ARMA模型建立了网络流量的时间预测模型。以向后1 h的流量预测确定了ARMA(3,2)模型的预测参数,仿真分析与NetFlow实测数据对比表明,该预测模型的预测精度高、误差小,能够较好的进行网络流量的短期预测。     

基于ARIMA和BP神经网络模型的舆情情感预测

针对重大事件网络舆情数量的激增,网络舆情安全监管和预警形势严峻的情况,提出一种基于ARIMA和BP神经网络组合模型的网络舆情情感预测模型,进而对新浪微博上采集的"余姚水灾事件"进行文本情感值计算,并对其情感变化趋势进行综合分析和预测。预测结果表明,也组合预测方法相对于单一预测方法具有更高的精度,进而说明该模型在网络舆情情感预测中的应用是可行的。     

基于PSO-LSTM优化模型的网络流量预测研究

网络流量预测是网络规划、设计和建设的重要依据，对有效满足人民网络需求有着极其重要的意义。本文通过构建基于PSO-LSTM优化预测模型，不仅提高了对网络流量预测的效果，还自动实现了对LSTM神经网络模型参数的优化，大大降低了LSTM神经网络模型优化的工作量。研究结果表明，基于PSO-LSTM优化预测模型能够实现对网络流量的准确预测，相比单纯基于LSTM神经网络模型，预测结果与实际值的均方根误差降低31%。     

基于基因表达式编程的移动通信网络性能指标预测

移动通信网络性能指标的准确预测对移动通信行业有着极其重要的意义。将基因表达式编程(GEP)技术引入移动通信网络性能指标分析领域,提出了基于GEP的网络性能指标预测模型GEP-WirelessAP。对某市电信公司的全年AP利用率记录进行了时间序列分析试验,并进行了预测检验和结果分析。实验结果表明,GEP-WirelessAP模型有效地避免了传统预测方法的盲目性,从而使预测效果更加客观、有效。     

一种移动网络节假日网元级话务预测模型

本文主要建立了一种移动网络节假日两级因子话务预测模型,可以借鉴往年网络话务模型来对当年的节假日话务进行预测,为移动网络节假日话务预测的程序实现提供了一种方法,可以有效节省繁重的数据预测工作。该模型可以有效规避频繁工程变化对网元预测的影响,在实际使用中获得了很好的预测精度。     

基于人工智能的网络运维优化算法研究

基于人工智能的网络运维优化安全优化算法,分析了互联网数据安全优化算法,得出以下结论:在网络安全情况预测中,预测模型基于粒子群优化神经网络径向基函数(Radial Basis Function,RBF),粒子群神经网络算法在信息量较低时运行速度快,高精度有利于粒子群RBF神经网络的快速准确预测。结果表明,通过对粒子群优化前后RBF神经网络的比较,粒子群优化后预测误差的波动可以大大降低。     

基于NGO-VMD-FCBF-Informer的电力负荷组合预测模型

电力负荷预测对电力系统安全稳定运行至关重要,现有的预测算法在精度及稳定性方面优化存在着欠缺,在此提出一种基于NGO-VMD-FCBF-Informer电力负荷组合预测模型。为提高原始数据的平稳性,使用VMD算法对原始数据进行分解,同时利用NGO算法对VMD的IMF分量层数及惩罚因子两个参数进行寻优。针对电力负荷预测受温度、电价等众多不确定性因素影响的问题,采用FCBF算法筛选出相关性程度高的特征变量作为输入变量。最后采用Informer网络对各个IMF分量进行单独预测,并对每个IMF分量预测结果进行重构叠加得到最终预测结果。同时,将该模型与其他预测模型进行对比实验分析,实验结果表明,该模型均值绝对误差、平均绝对百分比误差及均方根误差均低于列举的预测模型,能够有效地提高电力负荷的精度。     

一种新型时间序列多分辨预测模型研究

使用单一模型实现复杂时间序列预测一直是一个研究热点和难点问题.本文采用经验模式分解方法首先将复杂时间序列分解为一系列本征模式函数之和,然后对各个本征模式进行径向基神经网络预测建模,在此基础上,通过各个分量预测结果的等权求和得出综合预测结果.此外,各RBF网络核函数的最优参数对数值与各本征模式分量呈近似线性关系,利用该线性关系可以减少交叉验证求参数的次数,从而降低计算负担.仿真结果表明分解域多RBF网络预测模型对复杂时间序列预测性能好于单一的RBF网络预测模型.     

基于深度置信网络的互联网流量预测方法

对未来网络流量负荷的预测有助于运营商精确预估网络使用情况,优化网络资源,提高用户满意度。本文提出了基于深度置信网络(DBN)的三种不同架构的网络流量预测模型来预测未来1小时的互联网流量,首先,介绍了DBN的网络结构;然后构建了三种不同架构的DBN拓扑结构,最后通过实验对比,发现隐藏层的神经元数量对更深层次的网络至关重要,该模型被证明是一种有效的预测模型。本文所采用的方法在模拟流量数据模式和随机要素的同时,提供了准确的网络流量预测,使测试数据集的均方根误差(RMSE)值为0.028。