基于周期图卷积与多头注意力GRU组合的交通流量预测模型

为了捕获交通流量数据中复杂的时空动态变化关系以及周期性变化的特征,同时避免道路突发情况引起的误差累计效应,提出一种基于周期图卷积(periodic graph convolution network, PGCN)与多头注意力门控循环单元(multi-head attention gated recurrent unit, MAGRU)组合的交通流量预测模型。首先,模型的时空数据融合模块利用交通流量的周期相似性构建周期图,同时将空间和时间编码信息添加至交通流量序列数据;然后在时空特征提取模块中,GCN子模块捕获周期特征图中的空间特征,MAGRU子模块捕获序列数据中的时间特征;最后通过门控融合机制将两者提取的时空特征进行融合。模型在两个真实的交通流量数据集上进行了实验。结果表明,该模型相较于多个最新基准模型,在MAE、RMSE、MAPE三个预测误差指标上平均降低了5.4%、22.8%、10.3%,R2精确度指标平均提高了11.6%。说明模型在预测精度方面有显著的改进,并能有效减少误差累积效应。     

基于CNN和GRU的混合股指预测模型研究

针对股票数据共线性和非线性的特点,提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元（Gated Recurrent Unit,GRU）神经网络的混合预测模型,并对沪深300指数、上证综指和深证成指进行了预测。该模型首先采用CNN提取特征向量,对原始数据进行降维,然后利用GRU神经网络学习特征动态变化规律进行股指预测。仿真结果表明,与GRU神经网络、长短时记忆（Long-Short-Term Memory,LSTM）神经网络和CNN相比,该模型能够挖掘历史数据中蕴含的信息,有效提高股指预测的准确率,并可为股指交易提供一些参考。     

基于长短期记忆网络的高速公路车辆变道轨迹预测模型

高速公路车辆车速、车距、行驶方向等因素都是动态变化的,受外界环境干扰,采集到的目标车辆状态特征数据可能存在噪声,导致车辆变道轨迹预测存在误差,为此提出基于长短期记忆网络的高速公路车辆变道轨迹预测模型,有效预测高速公路车辆变道轨迹,改善车辆行驶条件,保障其安全运行。通过激光雷达、GPS等装置采集目标车辆交通数据,将其合理组合成目标车辆状态观测特征向量,并构建相应的特征向量矩阵,将所构建目标车辆状态观测特征向量矩阵作为1层卷积神经网路输入,提取目标车辆状态观测特征向量潜在特征后,以1层卷积神经网络输出结果为双向长短期记忆网络有效输入,经过无数次模型训练后,输出目标车辆变道轨迹预测结果。实验结果表明:该模型可有效预测高速公路车辆变道轨迹,预测出的轨迹横纵坐标误差极低,能够得到较为理想的高速公路车辆变道轨迹预测结果。     

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LSTM的船舶航迹预测模型

针对海上日趋复杂的情形,提高船舶交通服务系统(Vessel Traffic Service,VTS)的决策水平迫在眉睫。针对船舶航行轨迹多维度的特点以及对船舶轨迹预测的精确度和实时性的需求,提出了结合船舶自动识别系统(Automatic Identification System,AIS)数据和深度学习的船舶航行轨迹预测方法。构造基于AIS数据的航行轨迹特征,提出了循环神经网络-长短期记忆(Recurrent Neural Networks-Long Short-Term Memory,RNN-LSTM)模型,利用广州港内的船舶AIS数据对模型进行训练,并对未来船舶航行轨迹进行预测。实验结果表明,利用RNN-LSTM模型的预测方法具有精确度高、易实现的特点,并且与传统处理方法相比,其在处理序列数据方面更具优越性。     

基于网格划分的城市短时交通流量时空预测模型

准确的交通流量预测在帮助交通管理部门采取有效的交通控制和诱导手段以及帮助出行者合理规划路线等方面具有重要意义。针对传统深度学习模型对交通数据时空特性考虑不足的问题,在卷积神经网络（CNN）和长短时记忆（LSTM）单元的理论框架下,结合城市交通流量的时空特性,建立了一种基于注意力机制的CNN-LSTM预测模型——STCAL。首先,采用细粒度的网格划分方法来构建交通流量的时空矩阵;其次,利用CNN模型作为空间组件来提取城市交通流量不同时期下的空间特性;最后,利用基于注意力机制的LSTM模型作为动态时间组件来捕获交通流量的时序特征和趋势变动性,并实现交通流量的预测。实验结果表明,STCAL模型与循环门单元（GRU）和时空残差网络（ST-ResNet）相比,均方根误差（RMSE）指标分别减小了17.15%和7.37%,均绝对误差（MAE）指标分别减小了22.75%和9.14%,决定系数（R²）指标分别提升了11.27%和2.37%。同时,发现该模型在规律性较高的工作日的预测效果好于周末,且对工作日早高峰的预测效果最好,可见该模型可为短时城市区域交通流量变化监测提供依据。     

基于维度加权的残差LSTM短期交通流量预测

基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。     

基于双向GRU模型的网络流量预测的研究

当前使用门控循环单元(Gated Recurrent Units,GRU)神经网络进行流量预测时,普遍存在滞后性以及预测准确性不高的问题,因此提出一种改进的GRU模型进行流量预测的方法.首先基于GRU神经网络提出一种双向GRU神经网络和人工神经网络堆叠的网络模型,适用于流量特征、时间特征、事件特征等多维向量的输入;同时...     

基于深度学习的交通流量预测研究

交通流量序列具有不平稳性、周期性、易受节假日等因素影响的特点，因此交通流量预测是一项困难的任务。针对交通流量序列的预测问题，设计了一种基于深度学习的交通流量预测模型。模型融合了卷积神经网络和长短时记忆神经网络两种网络结构，卷积神经网络用于提取特征分量，长短时记忆神经网络综合提取出来的特征分量做序列预测。通过在贵州省高速公路车流量数据集上的验证，模型比传统的预测方法具有更高的精确度和实时性，在不同数据集上的泛化性能良好。     

基于时空相关性的短时交通流量预测方法

新一代智能交通系统的智能出行、交通大数据智能化决策需要精准及时的短时交通流量预测,深度学习通过机器学习技术自身产生特征,可为短时交通流量预测提供解决方法。以深度学习模型为基础,提出一种结合Conv-GRU和Bi-GRU的短时交通流量预测方法,利用卷积-门控循环单元提取交通流量的时空特征,通过双向门控循环单元提取交通流量的周期特征,将提取的特征进行融合得到交通流量的预测值。实验结果表明,该方法能够准确地预测短时交通流量,与Conv-LSTM方法相比,收敛速度较快,具有更短的运行时间。     

改进粒子群优化GRU网络的储粮温度预测方法

粮仓温度是判断储粮安全的重要指标,预测储粮温度的变化是储粮安全监测和预警的有效手段。论文提出一种基于门控循环单元的储粮温度预测方法,该方法构建两层GRU网络和全连接层,引入了非线性惯性因子和自适应学习因子的粒子群算法优化神经网络的初始权重,在模型中加入Dropout算法和RMSProp优化器训练网络参数。采用实验仓的传感器数据训练和测试模型,实验结果表明论文提出的IPSO-GRU模型预测值与实际值的均方根误差为0.078,与GRU网络、LSTM网络、BP网络对比误差分别减小13%、16%、74%,论文模型能很好地拟合储粮温度的变化。     

面向空气质量的时空混合预测模型

由于城市中各区域空气质量同时存在时间与空间维度上的相关性,而传统深度学习模型结构比较单一,并且难以从时空角度进行建模。针对该问题提出一种可以同时提取空气质量间复杂时空关系的STAQI模型用于空气质量预测。该模型由局部组件和全局组件构成,分别用于描述本地污染物浓度和邻近站点空气质量状况对目标站点空气质量预测产生的影响,并利用加权融合组件输出获得预测结果。在全局组件中,利用图卷积网络改进门控循环单元网络的输入部分,从而提取出输入数据中的空间特征。最后将STAQI模型与多种基准模型和变体模型进行对比。其中,STAQI模型与门控循环单元模型和全局组件变体模型相比,均方根误差（RMSE）分别下降约19%和16%。结果表明STAQI模型对于任意时间窗口都具有最佳预测性能,并且对不同目标站点的预测结果验证了该模型具有较强的泛化能力。     

基于小波分解的时序预测模型mWDLNet及其应用研究

各种类型的深度神经网络模型已被应用到时序分析中,但基于频域的神经网络与时域的线性模型融合仍然缺乏有效的模型.提出一种基于多级小波分解的深度网络和差分自回归移动平均模型相融合的方法(mWDLNet),时序信号经小波分解到频域,由卷积神经网络和长短期记忆网络提取时序信号的空间和时间维度特征,同时利用差分自回归移动平均模型(...     

面向改进的时空Transformer的交通流量预测模型

针对基于时空Transformer模型的交通流量预测模型性能不高的问题,提出了一种基于编解码器的改进的时空Transformer模型（improved spatio-temporal Transformer model,ISTTM）。编码器对历史流量特征进行编码,解码器预测未来序列。编码器将空间稀疏自注意力和时间层次扩散卷积相结合,捕捉交通流量的动态空间相关性和局部空间特征,再利用时间自注意力建模非线性时间相关性;解码器与编码器类似地挖掘出输入序列的时空特征。基于编解码器提取的时空特征,采用双重交叉注意力模拟历史交通观测对未来预测的影响,建模每个历史时间步和每个未来时间步的直接关系以及对整个未来时间段的影响,并输出未来交通流量的最终表示。为了证实ISTTM的有效性,在METR-LA和NE-BJ两个真实世界的大规模数据集上进行实验,ISTTM结果优于6个先进的基线。     

多尺度时序特征融合的地铁短时客流预测方法

面向城市地铁进出站客流数据,本文提出了一种融合多尺度时序特征的地铁短时客流预测方法。首先,通过数据分析,构建地铁客流的长期周期性和短期波动性等多尺度时序特征融合机制。其次,提出地铁短时客流预测方法模型来有效提高客流预测精度,既利用了长期预测模型捕捉客流的长期周期性规律,又融合了短期预测模型获取客流的短期波动性趋势。最后,在2020年9月厦门地铁53个站点的客流数据上验证模型的有效性。实验结果表明,与LSTM、GRU等基线方法相比,本文提出的方法在地铁客流预测任务上具有预测精度更高、收敛速率更快等优势。     

基于遗传算法改进的一阶滞后滤波和长短期记忆网络的蓝藻水华预测方法

河湖藻类水华形成过程中所具有的突发性和不确定性,导致对藻类水华爆发预测准确性不高。为解决此问题,以叶绿素a的浓度值作为蓝藻水华演化过程表征指标,提出基于长短期记忆（LSTM）循环神经网络（RNN）蓝藻水华预测模型。首先,用遗传算法改进的一阶滞后滤波（GF）优化算法对数据进行平滑滤波处理;然后,搭建GF-LSTM网络的蓝藻水华预测模型,实现对水华发生的精准预测;最后,以太湖水域梅梁湖区域的采样数据为样本,对预测模型进行检验,并与传统的RNN和LSTM网络进行对比。仿真结果表明,提出的GF-LSTM网络模型平均相对误差控制在16%~18%,而RNN模型的预测平均相对误差为28%~32%,LSTM网络模型的平均相对误差为19%~22%,对采用数据的平滑性处理效果较好,预测精度更高,对样本具有更好的适应性,克服了传统RNN模型在长期训练时出现的梯度消失与梯度爆炸缺点。     

基于PSO优化Bi-LSTM的交通流量预测

针对城市交通流量强随机性的问题,为克服非线性和时变特点的影响,提出了基于粒子群（PSO）优化双向长短时记忆网络（Bi-LSTM）的交通流量预测模型,达到城市交通流量高精度预测效果。首先,建立基于Bi-LSTM的交通流量短期预测模型;其次,采用粒子群PSO算法对Bi-LSTM模型的超参数进行寻优,提升预测模型的泛化性。通过对比实验分析,验证了该交通流量预测模型具有更优的性能。     

基于改进GRU模型的直流充电桩故障预测

直流充电桩作为电动汽车有效的供电设备,其故障频发对电动汽车充电安全带来隐患.对充电桩的故障进行准确预测将有效地确保电动汽车充电过程的安全.本文提出了一种改进门控循环单元(gate recurrent unit, GRU)直流充电桩的故障预测模型.首先,分析充电过程中直流充电桩的常见故障类型,考虑到实际采集过程中具体故障数据样本量少的情况,利用变分自编码器(variational auto-encoder, VAE)数据增强方法对样本数据进行扩充;然后,基于GRU网络模型的故障预测方法,利用粒子群优化(particle swarm optimization, PSO)算法优化GRU网络参数,采用支持向量机(support vector machine, SVM)模型改善网络输出的分类函数,提出了PSO-GRU-SVM直流充电桩故障诊断模型;最后,利用算例对比改进前后的预测精度,分析对比混淆矩阵热力图,并且与常用的两种网络模型进行对比,结果表明了文中方法有效地提高了预测精度,验证了文章中方法的可行性.     

基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特...