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...     

基于小波变换和LSTM的短期风速预测研究

可靠准确的短期风速预测有利于电网安全稳定的运行.由于风速具有显著的随机性且受多种因素影响,难以达到令人满意的预测精度.为了提高预测精度,提出了一种新型混合预测模型.在提出的预测模型中,利用小波变换(WT)将原始风速序列分解为低频和高频子序列,利用长短期记忆(LSTM)网络和自回归滑动平均(ARMA)模型分别预测低频和高...     

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。     

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。     

基于经验模态分解和长短期记忆神经网络的短期交通流量预测

交通流量预测作为智能交通的重要一环,所要处理的交通数据具有非线性、周期性和随机性的特点,导致在数据预测时,不稳定的交通流量数据依赖于长期数据范围,且由于一些外部因素使得原始数常包含一些噪声,可能导致预测性能的进一步下降。针对上述问题提出了一种能够去噪且能处理长时依赖的预测算法——EMD-LSTM。首先,通过经验模态分解（EMD）算法将交通时序数据中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定的噪声影响;然后,借助长短期记忆（LSTM）神经网络解决数据的长期依赖问题,从而使所提算法在长时间视野预测方面表现更为突出。对实际数据集进行短期预测的实验结果表明,EMD-LSTM的平均绝对误差（MAE）比LSTM低了1.916 32,平均绝对百分误差（MAPE）比LSTM降低了4.645 45个百分点,可见所提出的混合模型使预测准确性得到显著提高,能够有效解决交通数据的问题。     

融合级联LSTM的短期电力负荷预测

随着我国清洁能源的快速发展,分布式光伏电站得到了大力推广.在光伏电力系统运维中,电力负荷预测是影响分布式光伏电站发电、储能、传输等多个环节进行优化配置的关键因素.针对电力负荷的预测问题,提出了一种级联长短期记忆模型,将电力负荷预测划分为两个阶段:第一个阶段提取电力负荷的周期性特征,得到总体的变化趋势;第二个阶段提取负荷...     

基于知识免疫计算的交通流量预测方法研究

随着交通行业的快速发展,交通事故,道路拥堵和交通堵塞日益严重影响我们的日常生活。为了提高道路的使用效率,引入知识免疫的新思路,目的是在智能交通网下解决交通流量的预测问题。在数学模型的基础上,设计并提出一种基于知识免疫车辆预测方案,并在仿真环境中进行实验。结果表明,该算法能收敛多目标优化问题并提供合理的交通流量导向方案,为交通流量预测模式提供方向,具有良好的价值。     

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。     

基于改进GRU的高速公路交通流量预测模型

交通流量预测常用于改善交通阻塞控制,是构建智能交通系统的基本技术之一。为了能够准确、高精度预测高速公路交通流量,充分利用交通流量的随机性、非线性及周期性等特征,设计了基于改进门控循环网络高速公路交通流预测模型,采用平均绝对误差(MAE)等3项评估指标,依托广西高速公路的交通流量数据集和芬兰公共交通管理局某自动测量站(LAM)收集的道路交通信息上进行实例应用,并与长短期记忆神经网络(LSTM)和门控循环网络(GRU)进行对比。以芬兰数据集为例分析,在三层神经网络结构上采用adam优化器的改进GRU模型预测精度更高,其RMSE值为8.672 9,MAE值为6.199 1,MAPE值为24.76%;在广西数据集上可得到同样的结论,三项指标均优于LSTM和GRU。进一步验证了所提模型的准确性和稳定性,以及在高速公路流量预测方面的实用性。     

融合多因素的短时交通流预测研究

交通流预测一直是交通领域的研究热点,针对现有交通流预测研究大多为常态下的预测,而未考虑天气、节假日等外部因素的影响,提出了一种融合多因素的短时交通流预测模型。通过长短时记忆网络（long short-term memory,LSTM）捕捉时间序列的长期依赖关系,引入注意力机制,利用注意力机制自适应地选择相应的驱动序列,实现短时交通流的预测。实验分别与传统模型、未引入注意力机制的CLA-ATTN模型及未融合多因素的CLA-MFACTOR模型进行对比分析,结果证明所提出的CLA模型具有较高的预测准确度,是一种较好的预测方法。     

基于时延特性的短时动态交通流预测模型研究

针对传统预测模型存在的预测误差较大等问题,基于时延特性设计了新的短时动态交通流预测模型.采用延迟坐标状态相空间重构法重构交通流时间序列,并结合C-C算法,利用序列的关联积分组成描述非线性时间序列相关性的统计量,确定嵌入维数与时延.根据重构后的时延特性,利用相似性度量方法初步预测的目标断面流量,并建立递归神经网络模型.在...     

基于EEMD-MIPCA-LSTM的燃气短期负荷预测

燃气负荷受到天气状况和经济发展等多种因素的影响, 造成燃气变化趋势具有较大的复杂性和特征因子较大的冗余性, 造成预测精度的下降. 为了解决这个问题, 在处理燃气负荷的复杂性中使用EEMD自适应的时频局部化分析方法, 将非线性非平稳的燃气负荷数据分解为平稳的本征模式分量及剩余项. 在解决特征因子之间的冗余性中, 在PCA中加入互信息分析, 使用互信息代替协方差矩阵的特征值选择特征向量, 可以有效避免PCA仅仅考虑特征之间的相关性, 忽略了与燃气负荷值关系的缺点. 最后针对不同的子序列建立对应的LSTM模型, 重构各个分量的预测值产生最后的结果. 使用上海的燃气数据进行验证, 实验结果证明本文提出的方法测试集MAPE达到6.36%, 低于其他模型的误差.     

一种LS-SVM在线式短时交通流预测方法

针对最小二乘支持向量机用于短时交通流在线预测时存在的计算复杂性问题,结合短交通流观测数据的特点,提出了一种最小二乘支持向量机在线式短时交通流预测算法。通过改进最小二乘支持向量机模型结构风险形式,消除了模型中的偏置项,从而简化了在线学习过程中Lagrange乘子的求解过程,利用训练数据集滑动时间窗口的移动来控制新样本的加入和旧样本的移除,通过线性运算即可求得由训练样本集的更新而引起Lagrange乘子的变化量,进而完成预测模型的在线更新。仿真结果表明,相对于已有算法,所提算法在保证预测精度的条件下,具有更低的计算复杂度,能够将在线模型更新时间平均降低了约62.64%。     

基于神经网络的短期销售预测

针对常用销售预测方法预测精度较低的问题,在分析、试验了常用BP神经网络及训练算法后,提出了用引入月份因子及运用贝叶斯 正则化的方法,并应用于具有淡、旺季特性产品短期销售量预测,使预测精度大幅提高。     

基于XGBoost和LSTM加权组合模型在销售预测的应用

针对多变量的商品销售预测问题,为了提高预测的精度,提出了一种ARIMA-XGBoost-LSTM加权组合方法,对具有多个影响因素的商品销售序列进行预测,本文采用ARIMA做单变量预测,将预测值作为新变量同其他变量一起放入XGBoost模型中进行不同属性的挖掘,并将XGBoost的预测值合并到多变量序列中,然后通过将新的多维数据转换为监督学习序列后利用LSTM模型进行预测,将3种模型预测结果进行加权组合,通过多次实验得出最佳组合的权值,以此计算出最终的预测值.数据结果表明,基于XGBoost和LSTM的加权组合的多变量预测方法比单一的预测方法所得到的预测值更为精准.     

基于神经网络自适应集成的短期负荷预测

针对在电力系统短期负荷预测应用中,单个神经网络存在预测精度较低、预测结果不稳定、泛化能力差的特点,本文提出一种新的基于多神经网络自适应集成的预测模型.通过对某地区的实际负荷数据进行预测分析表明,该方法以很小的运算时间代价、较小的存储空间代价显著地提高了单个网络的预测精度和泛化能力,具有良好的应用价值.     

基于改良灰色理论的电网短期负荷预测算法

在分析传统灰色负荷预测理论与GM（1,n）模型的基础上,再次对GM（1,n）模型进行改进,以解决由于传统的灰色理论对原始数据要求的严格造成预测结果误差较大的问题。实验表明,用此方法建立的负荷预测模型,在预测精度上有较大的提高,为今后灰色理论模型的改进提供了一定的依据。     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

模糊规则控制的RBF短期负荷预测

影响电网负荷预测的因素很多，针对地区电网负荷易受气象因素影响的特点，把气象因素作为影响负荷的主要因素．采用模糊规则控制的径向基神经网络（RBF）算法，对某地区电网的日负荷数据进行预测．与实际负荷比较可见根据各地区实际气象变化，采用这种预测方法可以提高负荷预测的速度和精度。