基于BP-LSTM组合神经网络模型的汽车车速预测

准确的汽车车速预测对整车能量分配、道路交通管理具有重要意义。针对汽车车速本身具有高度时变性以及单模型预测存在局限性的特点,提出：反向传播神经网络-长短时记忆网络(BP-LSTM)组合神经网络模型,首先利用BP神经网络进行训练,将训练集数据和得到的预测输出、残差输入到Adam算法优化的LSTM神经网络中,用于训练LSTM模型。结合BP网络结构简单、预测时间短、LSTM精度高的优点,通过深度学习框架Tensorflow进行模型的搭建与验证,实现基于BP-LSTM组合神经网络模型的短时车速预测。结果表明：组合神经网络预测效果优于BP、LSTM两种单一模型,预测精度得到改善。     

基于SARIMA-LSTM组合模型的网络流量预测方法

针对网络流量预测问题，提出一种基于SARIMA和LSTM组合模型的网络流量预测方法。首先，利用S-HESD算法对异常流量数据进行检测，并通过滑动窗口均值进行数据平滑处理；然后，利用基于统计学习的SARIMA模型预测流量数据，并将其作为LSTM神经网络的输入，最终输出流量预测值。实验结果表明，SARIMA-LSTM组合模型能充分呈现骨干网、城域网、边缘接入网等不同层级网络的周期性和趋势性等特点，优于SARIMA、LSTM等单一模型。     

基于SARIMA-GS-SVR组合模型的短期电力需求预测

短期电力需求预测在合理分配电力利用、减少能源浪费和增强电力系统的并网运行方面具有重要作用。应用单一的季节自回归移动平均模型对电力需求预测将限制预测精度。为了提高SARIMA的预测精度,文中提出了SARIMA-GS-SVR组合预测模型。采用网格搜索算法将SARIMA预测的残差带入支持向量回归模型进行参数训练,并将寻优的最佳参数带入SVR对残差进行预测。将得到的残差预测结果和SARIMA预测结果加和进行综合分析。建立SARIMA、SVR、GS-SVR和SARIMA-GS-SVR预测模型,以加利福尼亚州电力需求历史数据为例,对该地某日24 h的电力需求进行预测。为了体现模型整体的优越性,选用指数平滑法作为无关基准模型进行实验对比。实验结果表明,相比SARIMA,SARIMA-GS-SVR的预测精度提高了29.181 2%,且其MAE、MAPE和RMSE3种误差指标评价值低于其它4种模型。     

面向多应用场景的遥感图像LSTM分类模型

遥感图像能够更为丰富地反映地物内部信息,但多种应用场景下会出现时间序列关键特征难以提取,导致图像分类效果不佳的问题。为此,设计一种面向多应用场景的遥感图像长短期记忆(Long Short Term Memory, LSTM)网络分类模型。对场景遥感图像时间序列特征进行表示;改进动态时间弯曲质平均算法,利用改进算法提取场景遥感图像时间序列关键形态特征;构建LSTM模型,利用梯度下降法训练LSTM模型,更新网络的权值与偏置,在训练完成的网络内,输入时间序列关键形态特征,输出遥感图像场景分类结果。实验结果表明,所设计模型可有效分类遥感图像场景,对场景遥感图像分类的Kappa值为0.97,分类耗时5.6 s,分类不同类别遥感图像场景时的预测分布方差最大为0.6,该方法的分类精度较高,且消融实验结果显示所设计模型的召回率高达95%,F1值高达0.96,由此可见,所设计模型对场景遥感图像分类具有显著的有效性。     

基于ARIMA-LSTM的能量预测算法

无线传感器网络的节点运行往往受限于能量供给。对太阳能进行采集并转换成电能存储，可以延长节点的使用寿命。对太阳能进行能量预测，可以更好地规划和使用采集到的能量，这有助于节省能源、避免浪费，提升无线传感器网络的生存周期。针对太阳能预测，提出一种基于自回归积分移动平均-长短期记忆(Autoregressive Integrated Moving Average-Long Short Term Memory, ARIMA-LSTM)组合模型的能量预测方法。首先，采用ARIMA模型来对太阳辐照数据进行预测，提取数据中的线性分量；然后将过滤后的残差代入LSTM神经网络模型，得到非线性分量的预测；最后将二者进行相加，得到最终的预测结果。仿真实验显示，组合模型比起现有的单一模型，能够有效地提高预测的精度。     

基于LSTM-ARIMA模型的短期航班飞行轨迹预测

高效精确的航班飞行轨迹预测是未来空中交通管理系统的关键技术之一,其旨在提高空中交通的运行能力和可预测性。针对现有的航迹预测方法预测精度和稳定性不足的问题,在已有的历史航迹数据的基础上,构建了新的特征维度,分析了经度、纬度和高度三维数据的统计特性,将长短期记忆网络（Long Short-Term Memory,LSTM）对非线性和非平稳时间序列有较强的逼近能力,而差分自回归移动平均模型（Autoregressive Integrated Moving Average,ARIMA）对线性时间序列的处理能力更优的特点相结合,提出了一种以LSTM为主ARIMA为辅的组合短期航迹预测模型,先利用LSTM作为主预测模型对经纬度和高度进行预测,再利用辅模型ARIMA对高度的线性关系进行建模,最后采用CRITIC方法将LSTM和ARIMA预测的高度值融合处理。实验结果表明,这种组合模型利用了两种模型的优势,提高了航迹预测的准确性。      

基于LSTM的气温数据建模研究

气温数据是一种时间序列数据,具有明显非平稳波动特征.对气温数据进行建模可以对气温变化进行分析.针对时间序列模型预测精度不高的问题,提出了 一种长短时记忆网络(Long Short-Term Memory Recurrent Neural Network,LSTM)气温预测模型对昆明每天的最高温度进行预测,对不同模型进行...     

基于ARIMA时序算法的车站人流密度预测模型

根据车站的人流密度数据,利用ARIMA模型进行了预测,将非平稳的时间序列进行差分,得到平稳化的时间序列,通过Durbin-Watson检验测试数据的稳定性并观察ARIMA模型的残差平均值和方差以及连续残差的自相关性。通过将数据按照比例分为训练集和数据集来对模型进行评估,得到模型的评估得分。为了进一步提高车站人流密度的预测精度,建立基于k-means聚类的ARIMA组合预测模型,通过k-means聚类算法将问题一中得到的主要影响因素的数据集进行聚类,观察每一类数据的组内特点,对每一类数据重新利用ARIMA模型进行预测,然后计算出组合模型的评估得分。     

基于EMD-LSTM-ARMA模型短期发电量组合预测

根据我国某地区2019年4月—9月某光伏电站的发电量数据，提出一种基于EMD-LSTM-ARMA的短期发电量混合预测模型。为了降低发电量序列的复杂度，首先将原始发电量数据通过经验模态分解后得到5个本征模态分量和1个残差分量，将归一化后的第一本征模态分量和第二本征模态分量数据输入设计好的LSTM网络中进行建模预测；然后通过ARMA模型对第三本征模态分量数据（IMF3）进行建模预测，再将第四本征模态分量、第五本征模态分量和残差分量进行重构得到一个低频分量，将该低频分量输入设计好的LSTM网络中进行建模预测；最终对各个分量得到的预测数据进行求和得到最终的预测值。为了表明所提算法的优良性，实证结果对比了单一LSTM和ARMA模型的预测性能，并选择了RMSE值进行了对比验证。实测结果中EMD-LSTM-ARMA的RMSE值为32.68，单一LSTM的RMSE值为58.74，单一ARMA模型的RMSE值为59.83。实证结果表明了给出的组合预测模型可以产生更高的预测准确度。     

LSTM网络和ARMA模型对惯性器件随机误差预测适应性分析

结合惯性器件随机误差研究的实际,针对传统的基于时间序列的ARMA建模方法和深度学习LSTM网络进行了适用性和实时性对比分析,通过获取具体型号的惯性器件输出数据设计了算例。研究认为在未做实时性要求的情况下,ARMA建模和LSTM网络均可以达到较好的拟合效果,而建立LSTM网络方法可以减少提取趋势项和周期项的环节;实时在线预测情况下LSTM网络优势明显,但预测精度会随时间序列缩短而明显下降,可以在一定程度上反映噪声变化的趋势并据此对整体控制系统的滤波算法进行优化。