共查询到19条相似文献,搜索用时 187 毫秒
1.
基于深度学习的短时交通流预测 总被引:2,自引:0,他引:2
针对现有预测方法未能充分揭示交通流内部的本质规律,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型(DBN)与支持向量回归分类器(SVR)作为预测模型,利用差分去除交通流数据的趋势向,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明:文中提出的预测模型与传统预测模型相比,具有更高的预测精度,预测性能提高了18.01%,是一种有效的交通流预测方法。 相似文献
2.
3.
为了对医疗机构的可持续性经营能力进行高效、准确的监管与预警,提出将先进的深度学习模型应用于医院财务预测中,以便为决策者提供有价值的参考信息.首先,对医院财务系统中的数据进行解析与提取,并通过归一化和特征选择进行数据样本预处理;然后利用处理后的数据样本训练深度信念网络,获得网络的相关参数;最后利用深度信念网络模型进行财务... 相似文献
4.
一种连续型深度信念网的设计与应用 总被引:2,自引:0,他引:2
针对深度信念网(Deep belief network, DBN)学习连续数据时预测精度较差问题, 提出一种双隐层连续型深度信念网. 该网络首先对输入数据进行无监督训练, 利用连续型传递函数实现数据特征提取, 设计基于对比分歧算法的权值训练方法, 并通过误差反传对隐层权值进行局部寻优, 给出稳定性分析, 保证训练输出结果稳定在规定区域. 利用 Lorenz 混沌序列、CATS 序列和大气 CO2 预测实验对该网络进行测试, 结果表明, 连续型深度信念网具有结构精简、 收敛速度快、 预测精度高等优点. 相似文献
5.
6.
针对现有的环境空气污染物预测方法存在缺少输入特征相关性分析和时序信息丢失问题,提出一种将遗传算法和门控循环单元神经网络相结合的环境空气污染物PM2.5小时浓度预测模型,充分挖掘了污染物时间序列内在依赖关系,并解决了不相关因子的干扰和输入特征维度灾难的问题。最后基于绵阳市4个空气污染物监测站点的数据集进行仿真实验,与门控循环单元神经网络、深度信念网络预测比较。结果表明,基于GA-GRU的PM2.5小时浓度预测模型在训练时间、预测精度和鲁棒性上优势显著,是一种可行且有效的预测方法。 相似文献
7.
针对在线视频热度预测研究中分类及预测效果欠佳,规则化较多和较缺乏实践检验等问题,通过对实际在线视频服务系统所采集的海量数据研究,提出一种基于深度信念网络(Deep Belief Networks,DBNs)的视频热度预测方法。首先,结合社交网络的关注度和视频关键词的搜索热度,对影响因子进行了建模和量化处理;其次,根据输入和输出变量确定了DBNs各层网络的结构,优化了网络参数和预测模型;最后,通过在线视频服务商的数据对深度信念网络进行训练,并多次交叉实验对比分析,结果表明基于DBNs方法在视频热度预测上准确率最高79.47%(国内视频)、65.33%(国外视频),可以为在线视频上映前的投资、宣传以及风险评估提供较全面可靠的参考决策。 相似文献
8.
软件缺陷预测是提升软件质量的有效方法,而软件缺陷预测方法的预测效果与数据集自身的特点有着密切的相关性。针对软件缺陷预测中数据集特征信息冗余、维度过大的问题,结合深度学习对数据特征强大的学习能力,提出了一种基于深度自编码网络的软件缺陷预测方法。该方法首先使用一种基于无监督学习的采样方法对6个开源项目数据集进行采样,解决了数据集中类不平衡问题;然后训练出一个深度自编码网络模型。该模型能对数据集进行特征降维,模型的最后使用了三种分类器进行连接,该模型使用降维后的训练集训练分类器,最后用测试集进行预测。实验结果表明,该方法在维数较大、特征信息冗余的数据集上的预测性能要优于基准的软件缺陷预测模型和基于现有的特征提取方法的软件缺陷预测模型,并且适用于不同分类算法。 相似文献
9.
10.
谢崇波 《自动化与仪器仪表》2022,(2):52-56
环境空气质量预测是环境污染防治和预警的必要前提,针对现有预测方法存在缺少对环境空气质量时间序列数据的充分挖掘和深入诊断分析,提出一种基于注意力机制和门控循环单元循环神经网络空气污染物预测与诊断模型。在网络顶层加一层输入注意力机制层,运用注意力机制对环境空气质量数据进行特征提取,挖掘气象数据与空气质量数据相互关系。仿真实验结果表明,基于注意力的门控循环网络模型可以取得较高的预测精度,是一种可行且有效的预测方法。 相似文献
11.
门诊量预测是现代医院电梯交通以及医疗资源优化配置的重要前提。为了有效地预测医院的门诊量,提出一种将灰色预测方法与RBF神经网络有机结合的灰色神经网络组合预测方法。该方法利用灰色预测中的累加生成运算(AGO)对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本。所提出的方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,对短期的医院门诊量预测具有较强的实用价值。结果表明:所提出的方法具有良好的预测精度。 相似文献
12.
随着深度学习理论的日趋成熟,针对各种场合的实际应用逐渐成为研究的焦点。本文提出一种基于深度置信网络(Deep Belief Network,DBN)对本区域未来24h的电离层临界频率foF2进行预测的方法。首先,对选取的数据集进行处理,生成用于训练和测试的数据集,其次改进DBN网络基本单元的结构,以适应对连续型数据特征的提取与学习,再通过试验的方式确定DBN网络基本结构,最后利用训练数据集对改进后的网络进行训练,实现对 foF2值的预测。与实测值相比较,改进的DBN网络具有极佳的预测准确性,与浅层结构BP网络和SVM网络相比,改进的DBN网络不但克服了浅层结构所固有的问题,而且也表现出更加优异的对于连续型数据的预测性能,尤其是当预测值受到高维复杂因素影响时改进的DBN模型依旧能表现出很好的预测性能。 相似文献
13.
随着智能电网信息化水平的不断提高以及可控负荷、分布式电源和储能等广义需求侧资源的大量接入,将产生海量负荷数据集并改变负荷特性.为了提高负荷预测精度,提出了一种考虑广义需求侧资源的深度置信网络(DBN)负荷预测方法.首先,借助负荷聚合商确定了广义需求侧资源参与电力市场的机制,构建了基于合同的广义需求侧资源调度模型,并利用该模型求解广义需求侧资源参与电力市场的最优调度计划.其次,引入DBN结构,并将广义需求侧资源的最优调度计划作为其输入量,建立了短期负荷预测模型.最后,以实际数据进行仿真测试,结果表明,本文所提方法具有更高的预测精度. 相似文献
14.
针对现有交通流预测方法忽视对交通流数据自身特征的有效利用以及不能模拟更复杂的数学运算,提出了一种改进深度置信网络(deep belief network,DBN)的交通流预测方法。该方法结合深度置信网络模型与Softmax回归作为预测模型,利用连续受限玻尔兹曼机(continuous restricted Boltzmann machines,CRBM)处理输入特征向量,利用自适应学习步长(adaptive learning step,ALS)减少RBM训练网络模型时重建误差所需的时间,用改进的深度置信网络模型进行交通流特征学习,在网络顶层连接Softmax回归模型进行流量预测。实验结果表明,在实际的交通流数据预测中,改进的DBN模型的预测准确率以及时间复杂度相比传统预测模型都得到了较好的改善。 相似文献
15.
传统的深度置信网络(Deep brief networks,DBN)在建立高维数据分类模型时,往往存在网络负荷大,运算复杂度高等问题.本文首先基于非线性PCA(NPCA)对高维样本数据进行降维,然后以提取到的非线性特征作为DBN的网络输入,构建了一类含非线性特征提取预处理机制的DBN分类器.并从信息熵理论的角度出发,证明了所提改进DBN分类器在网络结构和算法复杂度方面的优势.通过一个PM2.5浓度预测与影响因素诊断实例,验证了所提改进DBN在一类分类和影响因素诊断问题中的应用,并与传统的分类器进行对比,显示了所提方法在建模精度及收敛速度上的优势. 相似文献
16.
针对传统入侵检测方法在检测效果上存在检测率低、误报率高等问题,将深度信念网络应用于入侵检测中,提出一种基于灰狼算法(GWO)的深度信念网络(DBN)入侵检测方法。对NSL-KDD进行预处理提高其鲁棒性,搭建深度信念网络检测模型,引入灰狼算法对其隐含层节点数进行全局寻优,近似得到DBN最佳网络结构,利用所得数据集进行验证分析。实验结果表明,与几种常用的入侵检测算法相比,经过灰狼算法优化后的深度信念网络提高了入侵检测的检测率,降低了误报率,为入侵检测提供了新的依据。 相似文献
17.
李运 《计算技术与自动化》2022,(2):173-177
为进行城市轨道客流量的科学预测,设计实现了实训基地培训系统,在系统中分别构建BP(Back Propagation)神经网络模型与DBN(Deep Belief Network)深度置信网络模型来进行城市轨道客流量数据的收集与整理。针对城市轨道交通车流量短时间快速增长的问题,在系统中建立实时数据分析处理模块,结合深度置信网络,使用算法对轨道客流进行实时准确的预测。将采集到的大量数据通过系统的数据处理模块进行分析验证,数据分析结果显示:在深度置信网络模型中,轨道交通各节点平均均方根误差相比BP神经网络模型大约减少了0.01475,每批次任务实时计算时间平均为3.5s,系统预测实时性较好,准确率较高,有很好的预测效果,可以合理地规划城市轨道交通线路,有效提高了城市轨道的交通利用率。 相似文献
18.
深度学习通过学习深层非线性网络结构即可实现复杂函数的逼近,可以从大量无标注样本集中学习数据集的本质特征。而深度信念网络(DBN)是由多层随机隐变量组成的贝叶斯概率生成模型,可以作为深度神经网络的预训练环节,为该网络提供初始权重。基于该模型的一个高效学习算法不仅解决了模型训练速度慢的问题,还能产生非常好的参数初始值,极大地提升了模型的建模能力。金融市场是一个多变量非线性系统,通过运用DBN模型进行分析预测可以很好地解决其他预测方法初始权重难以确定的问题。文中以原油期货市场价格预测为例,说明了运用DBN模型进行预测和决策的可行性及有效性。 相似文献