基于卷积神经网络的框架剪力墙结构层间位移角预测

采用机器学习等智能算法预测结构时程响应时,通常将地震动的某项静态指标作为输入来考虑。这种处理方法丢失了地震动记录本身的时程特性。本文提出将地震动记录处理成二维张量来处理其时程信息,以一栋框架剪力墙结构为对象,通过数据集构造、网络模型搭建和参数优化,训练卷积神经网络(CNN)来预测结构的最大层间位移角。此外,还采用人工神经网络(ANN)以及长短时记忆神经网络(LSTM)进行对比分析,研究结果表明：CNN与LSTM能够有效地预测弹性状态下的结构层间位移角,且CNN的预测精度最高,训练耗时最少。     

基于循环神经网络的盾构隧道#br# 引发地面最大沉降预测

伴随着计算机技术的快速发展,机器学习等新兴算法正在被越来越多地运用于预测隧道掘进引发的地面最大沉降。在隧道施工过程中,由盾构机和地面监测点位采集的数据具有很强的序列化特征,而传统的机器学习算法对序列数据的处理存在一定的局限性。循环神经网络(RNN)具有极强的对时序型数据的处理能力,在视频识别、语音翻译等领域有着广泛的应用。采用两种RNN模型(LSTM、GRU)和传统的BP神经网络模型,以地质参数、几何参数和盾构机参数作为输入,对隧道施工过程中引发的地面最大沉降进行预测分析。结果显示,RNN对隧道沉降的预测结果优于传统的BP神经网络模型,并且RNN在连续未知区段的预测结果比BPNN更加稳定。     

基于LSTM模型的排水系统流量预测研究

排水系统流量预测对于城市水安全、污水厂优化运行具有重要意义。与需要复杂建模和大量地理信息数据的传统水文水力学模型不同，机器学习可以通过数据驱动实现排水系统的流量预测预警。结合流量数据的时序性，分别在单变量（流量）、双变量（流量和降雨）的情况下，采用5种长短期记忆神经网络（LSTM）模型（Vanilla LSTM、Stacked LSTM、Bidirectional LSTM、CNN LSTM、ConV LSTM）对江苏省无锡市某污水处理厂的进水流量进行预测。结果表明，Bidirectional LSTM最优的实验参数条件是：隐藏层单元数为250，训练轮数为200，训练集样本数为250；在同等条件下，Bidirectional LSTM相较其他4种方法可以更有效地预测未来流量；相比仅输入流量变量，在增加降雨变量后，可以提升近20%的流量预测精度。     

基于长短期记忆神经网络的空间网格结构损伤预测和评估

以凯威特型(K6)球面网壳为研究对象,研究基于数据驱动的空间网格结构的损伤预测和评估。通过数值模拟得到大气均匀腐蚀作用下结构模态频率的结构健康监测(SHM)模拟数据,基于长短期记忆(LSTM)神经网络,建立了结构损伤预测和评估的深度学习模型。最后,总结了基于LSTM神经网络的空间网格结构损伤预测和评估方法。结果表明:LSTM神经网络可以对SHM数据建立基于数据驱动的深度学习模型,对结构健康状态进行预测和评估。建立的模型在模拟数据上表现良好,具有良好的抗噪性,能很好地拟合SHM模拟数据趋势。利用更新后的数据集重新调整模型,可以达到持续对结构健康状态预测和评估的目的。     

基于机器学习的北京市PM2.5浓度预测模型及模拟分析

对北京市周边8个点多个压力高度的温度、湿度和风速数据,以及北京市PM2. 5污染数据进行了分析和归一化处理,建立了反向传播神经网络(back propagation,BP)、卷积神经网络(convolutional neural network,CNN)和长短期记忆模型(long short-term memory,LSTM)对上述气象数据和污染数据进行训练,训练结果表明:反向传播神经网络模型和卷积神经网络模型对未来1 h的PM2. 5污染等级的预测准确率较低,而长短期记忆模型的准确率较高.使用长短期记忆模型预测未来1 h的PM2. 5污染值与实际值十分接近,表明北京市的PM2. 5污染与其周边地区的气象条件关系密切.通过利用长短期记忆模型对不同压力高度的气象数据进行训练和对比,得出在利用气象数据预测污染时,仅使用近地面气象数据比使用多个高度上的气象数据更加准确.     

基于深度学习的雾霾质量浓度预测研究

为有效地预测雾霾污染程度的主要评价指标PM_(2.5)质量浓度,文章使用Blending集成学习策略并行连接CNN与LSTM,并建立基于CNN-LSTM集成学习的PM_(2.5)质量浓度预测模型。经过真实数据验证,该模型对PM_(2.5)质量浓度预测具有有效性,且相较于串联CNN-LSTM预测模型具有优越性。     

基于LSTM网络的地铁隧道运营期间沉降预测研究

为提高地铁隧道运营期间沉降变形预测的精度,本文提出了采用长短期记忆网络（LSTM网络）对运营期间的地铁隧道进行沉降预测。通过利用传统的反向神经网络（BP神经网络）和LSTM神经网络建立机器学习模型,通过2组深圳市某地铁隧道实测数据,对机器学习模型的预测精确度进行对比分析。实验结果表明：相比于传统的BP神经网络,LSTM网络模型预测误差较低,可降低20%左右;LSTM网络的预测结果与实测沉降值更为接近。研究成果表明将循环神经网络之一的LSTM网络引入运营期间地铁隧道的沉降预测中,可大幅度提升预测效果。     

基于GRU神经网络的太阳辐照度短期预测

随着新能源技术的不断发展,光伏发电已逐渐成为电力供应的重要来源。由于太阳辐照度变化受诸多因子影响,其不确定性仍然给光伏发电并网带来了极大挑战。鉴于门限单元(gated recurrent unit, GRU)神经元特殊的门结构对周期性变化的数据结构具有较好的学习能力,建立了一种基于GRU神经网络的辐照度短期预测模型。对历史气象数据及卫星数据进行主成分分析(principal component analysis, PCA)降维处理后输入上述模型,实现对太阳辐照度的短期预测,从而提高太阳辐照度的预测精度。对同一模型不同预测时长进行对比,得到24 h预测效果最好,其均方根误差(root-mean-square error, RMSE)仅为0.356。将该模型预测的结果与传统的反向传播(back propagation, BP)神经网络的预测结果进行对比,RMSE减少了34%。最后利用晴空指数划分不同的天气情况分别对GRU预测结果误差进行分析研究,探究了误差产生的原因。     

基于LSTM-BPNN混合模型的天然气负荷预测研究

准确的天然气负荷预测对燃气公司的生产运营、调度规划和安全供气至关重要。传统的天然气预测模型往往无法充分利用输入特征之间的时序相关性,这限制了它们的预测精度。因此本文提出了一种基于长短期记忆神经网络(LSTM)和反向传播神经网络(BPNN)的混合模型用于天然气负荷预测,其中LSTM用于对输入特征进行重编码,BPNN用于学习重编码特征和用气量之间的映射函数。该方法充分利用了LSTM的时序特征提取能力和BPNN的拟合能力,旨在对用气量进行更准确的预测。本文采用浙江某天然气门站1年用气数据对该方法的性能进行了验证。结果表明,与极端梯度提升树、BPNN和LSTM相比,该方法具有更高的预测精度。     

LSTM循环神经网络与企业盈利预测研究

在人工智能蓬勃发展的时代背景下,为提高会计信息有用性,本文采用LSTM神经网络模型以及财务报表信息对上市公司的盈利进行预测,并与分析师预测的结果进行对比。在来自沪深300的企业的盈利预测任务中,LSTM模型的平均正确率为88.60%比分析师预测的平均正确率高13.52%,并且在正确率分布中,LSTM模型的结果不存在厚尾现象,其峰度明显高于分析师预测结果,且方差显著低于分析师预测结果。揭示了人工智能模型应用在财务预测方面的现实意义。