基于SSA-LSTM模型的日水位预测—以涡河流域涡阳闸为例

语音识别使声音变得"可读",让计算机能够"听懂"人类的语言并做出反应,是人工智能实现人机交互的关键技术之一.本文介绍了语音识别的发展历程,阐述了语音识别的原理概念与基础框架,分析了语音识别领域的研究热点和难点,最后,对语音识别技术进行了总结并就其未来研究进行了展望.     

基于SFLA-CNN和LSTM组合模型的水位预测

水文时间序列受降雨量的影响,在变化规律上呈现季节性、非线性的特点.传统单一模型结构简单,对于复杂的非线性水文时间序列具有预测精度较低、不能很好捕捉水文时间序列的复合特征的问题.组合预测模型采用多分类器的思想,能够有效地提高预测准确度,然而在模型参数选择方面需要手工调参,花费时间多且不准确.本文提出一种基于SFLA-CN...     

基于GRU-LSTM组合模型的云计算资源负载预测研究

日益增多的应用部署在云端使得云数据中心的功耗波动剧烈,从而导致云数据中心资源利用率不平衡,高效的负载预测是解决该问题的关键技术。针对目前负载预测模型预测精度低、预测时间长的问题,建立一种基于门控循环单元（GRU）与长短期记忆（LSTM）网络的组合预测模型GRU-LSTM。该模型的网络结构包括3层,第一层采用GRU,利用GRU参数少、易收敛的特点减少模型训练时间,第二、第三层采用LSTM,结合LSTM参数多的优势提高模型的预测精度。在此基础上,对数据集作缺失值处理和标准化处理,使用随机森林算法对原始序列进行特征选择后得到一组新的序列值,将该序列值作为GRU-LSTM组合预测模型的输入,以对云计算资源进行高效预测。在集群公开数据集Cluster-trace-v2018上进行实验,结果表明,与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比,GRU-LSTM模型预测结果的均方误差减少6~9,预测时间平均缩短约10%。     

基于SSA-LSTM的瓦斯浓度预测模型

为了更好地捕捉瓦斯浓度的时变规律及有效信息,实现对采煤工作面瓦斯浓度的精准预测,采用麻雀搜索算法（SSA）优化长短期记忆(LSTM)网络,提出了一种基于SSA-LSTM的瓦斯浓度预测模型。采用均值替换法对原始瓦斯浓度时序数据中的缺失数据及异常数据进行处理,再进行归一化和小波阈值降噪;对比测试了SSA与灰狼优化(GWO)算法、粒子群优化（PSO）算法的性能差异,验证了SSA在寻优精度、收敛速度和适应能力等方面的优势;利用SSA的自适应性依次对LSTM的学习率、隐藏层节点个数、正则化参数等超参数进行寻优,以此来提高全局寻优能力,避免预测模型陷入局部最优;将得到的最佳超参数组合代入LSTM网络模型中,输出预测结果。将SSA-LSTM与LSTM、GWO-LSTM、PSO-LSTM瓦斯浓度预测模型进行比较,实验结果表明：基于SSA-LSTM的瓦斯浓度预测模型的均方根误差（RMSE）较LSTM,PSO-LSTM,GWO-LSTM分别减少了77.8%,58.9%,69.7%;平均绝对误差（MAE）分别减少了83.9%,37.8%,70%,采用SSA优化的LSTM预测模型相较于传统LSTM模型具有更高...     

基于LSTM模型的机场航班飞行轨迹预测

在复杂的空域环境下飞行,精确的航迹预测是确保飞机在客运、货运等飞行任务安全的重要基础,在外界条件不确定的情况上,飞行航迹具不完全稳定性。为了实现空域资源的高效利用,增强空中交通安全,针对时间序列飞行数据利用长短期记忆网络（long short-term memory, LSTM）建立预测模型,高效计算飞行轨迹,再以均方误差（mean square error,MSE）评估精度,最后用半正矢公式（haversine）计算弧面距离。实验结果表明,LSTM模型能很好地解决飞行轨迹预测的问题。     

基于小波变换和LSTM模型的城市天然气负荷预测

城市燃气公司为防止出现储气量过剩或不足等问题,必须要对天然气负荷量进行预测.对此,提出一种基于小波变换和长短期记忆网络的深度学习模型(wavelet_LSTM),对未来一年的天然气日负荷量进行预测.在某市燃气公司真实数据集上的实验结果表明,该模型有较高的准确性,可以较好地满足城市燃气公司的业务需求.     

基于时空相关属性模型的公交到站时间预测算法

公交车辆到站时间的预测是公交调度辅助决策系统的重要依据,可帮助调度员及时发现晚点车辆,并做出合理的调度决策.然而,公交到站时间受交通拥堵、天气、站点停留和站间行驶时长不固定等因素的影响,是一个时空依赖环境下的预测问题,颇具挑战性.提出一种基于深度神经网络的公交到站时间预测算法STPM,算法采用时空组件、属性组件和融合组件预测公交车辆从起点站到终点站的总时长.其中,利用时空组件学习事物的时间依赖性与空间相关性.利用属性组件学习事物外部因素的影响.利用融合组件融合时空组件与属性组件的输出,预测最终结果.实验结果表明,STPM能够很好地结合卷积神经网络与循环神经网络模型的优势,学习关键的时间特征与空间特征,在公交到站时间预测的误差百分比和准确率上的表现均优于已有的预测方法.     

基于长短期记忆网络的社区演化预测

现实生活中的网络通常是动态的,网络结构随着时间的推移而改变,检测社区演化可以深入了解网络的基本行为。针对动态社区演化预测问题,提出一种结合演化树和长短期记忆网络的社区演化预测方法,从动态网络中提取社区的多元特征,并使用长短期记忆网络对特征进行学习分类,最终预测社区下一时间段的变化情况。在两个真实数据集上进行了实验,实验结果证明该方法可以有效地预测社区演化行为,与其他方法相比具有较好的准确性。     

基于PF-LSTM网络的高效网络流量预测方法

传统网络流量预测模型存在泛化能力弱和预测准确度低等缺点。为解决此问题,提出一种基于长短期记忆（LSTM）循环神经网络的网络流量预测模型。首先,用距离比较和优化组合策略改进粒子滤波算法（PF）的重采样过程;然后搭建PF-LSTM网络的网络流量预测模型,将改进的PF算法用于模型训练,提高其训练速率,克服传统LSTM网络中收敛于局部最优的缺点;最后将提出的模型用于网络流量预测。实验结果表明,相比传统的LSTM模型,提出的PF-LSTM模型具有较好的预测精度和收敛效率,能够更好地描述网络流量的变化趋势。     

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。     

基于注意力机制的行人轨迹预测生成模型

针对长短期记忆网络（LSTM）在行人轨迹预测问题中孤立考虑单个行人,且无法进行多种可能性预测的问题,提出基于注意力机制的行人轨迹预测生成模型（AttenGAN）,来对行人交互模式进行建模和概率性地对多种合理可能性进行预测。AttenGAN包括一个生成器和一个判别器,生成器根据行人过去的轨迹概率性地对未来进行多种可能性预测,判别器用来判断一个轨迹是真实的还是由生成器伪造生成的,进而促进生成器生成符合社会规范的预测轨迹。生成器由一个编码器和一个解码器组成,在每一个时刻,编码器的LSTM综合注意力机制给出的其他行人的状态,将当前行人个体的信息编码为隐含状态。预测时,首先用编码器LSTM的隐含状态和一个高斯噪声连接来对解码器LSTM的隐含状态初始化,解码器LSTM将其解码为对未来的轨迹预测。在ETH和UCY数据集上的实验结果表明,AttenGAN模型不仅能够给出符合社会规范的多种合理的轨迹预测,并且在预测精度上相比传统的线性模型（Linear）、LSTM模型、社会长短期记忆网络模型（S-LSTM）和社会对抗网络（S-GAN）模型有所提高,尤其在行人交互密集的场景下具有较高的精度性能。对生成器多次采样得到的预测轨迹的可视化结果表明,所提模型具有综合行人交互模式,对未来进行联合性、多种可能性预测的能力。     

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...     

基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测

针对"随着预测距离的增加,旅行时间预测的难度加大"的问题,提出了一种基于时空特征向量的长短期记忆(LSTM)和人工神经网络(ANN)的综合预测模型.首先,将24 h切分为288个时间切片,以生成时间特征向量;然后,基于时间切片建立LSTM时间窗口模型,该模型可解决长期预测的窗口移动问题;其次,将公交线路切分为多个空间切...     

基于图神经网络和长短期记忆模型的房价预测方法

针对目前仅单独考虑价格序列中样本的趋势或仅考虑多个关联属性与价格间的函数关系,而不能更准确地进行房价预测的问题,构建了时空注意力图卷积长短期记忆模型AG-LSTM,包含局部特征提取模块、区域特征提取模块、复合预测模块。局部特征提取模块分别使用同构图和异构图神经网络提取各小区及价格关系属性、各小区和配套邻居节点相关性的特征信息;区域特征提取模块先对邻近小区节点进行聚类,再结合图注意力网络获得小区节点对所属区域的重要性程度,建立区域与小区之间的映射矩阵,根据小区节点信息和映射矩阵得到区域特征;复合预测模块使用长短期记忆模型对由局部特征和区域特征组成的复合特征进行时序建模,实现房价预测。以链家网北京房价数据进行了实验,结果表明AG-LSTM预测结果优于已有基线模型。该模型同时挖掘了小区间位置关系、小区与其配套间位置关系、多个关联属性、价格时序趋势对房屋价格的影响,较好地实现了房屋价格的预测。     

基于ATLG混合模型的股票价格预测

股市是金融市场的重要组成部分,对股票价格预测有着重要的意义.同时,深度学习具有强大的数据处理能力,可以解决金融时间序列的复杂性所带来的问题.对此,本文提出一种结合自注意力机制的混合神经网络模型(ATLG).该模型由长短期记忆网络(LSTM)、门控递归单元(GRU)、自注意力机制构建而成,用于对股票价格的预测.实验结果表明:(1)与LSTM、GRU、RNN-LSTM、RNN-GRU等模型相比, ATLG模型的准确率更高;(2)引入自注意力机制使模型更能聚焦于重要时间点的股票特征信息;(3)通过对比,双层神经网络起到的效果更为明显.(4)通过MACD (moving average convergence and divergence)指标进行回测检验,获得了53%的收益,高于同期沪深300的收益.结果证明了该模型在股票价格预测中的有效性和实用性.     

基于CMAES-LSTM的便利店SKU日销量预测方法

准确预测便利店的商品销量是库存管理的重要依据,稳健的库存能够有效避免缺货和积压带来的经济损失。目前连锁便利店各门店的每日订货依靠店长的经验以及针对某些SKU(Stock Keeping Unit)的企业统一策略。通过构建门店-SKU粒度的日销量时间序列,并引入外部信息作为协变量输入LSTM网络,对每个模型通过CMAES独立调参后进行预测。实验结果表明,对某连锁便利店300家门店近2年的销售数据进行预测,该方法在准确性和稳定性较现有方法均取得了显著的提升。