基于WiFi探针数据的短时交通状态预测

针对传统交通数据获取成本高,以及单参数输入的LSTM模型预测精度不高等问题,提出一种基于WiFi探针数据的短时交通状态预测方法。首先利用WiFi探针数据构建交通状态指数数据集,然后采用LSTM网络构建预测模型,并分析不同交通参数组合对模型预测精度的影响,最后比较不同模型对同一路段的预测性能。试验结果表明:交通流量会影响交通状态指数的预测精度,相比于仅考虑交通状态指数的LSTM网络,同时引入交通流量和上下游信息的LSTM网络的预测精度提升明显,其RMSE、MAE分别降低了11.89%,12.22%,R~2提高了3.6%;另外,LSTM模型较SVR和GBDT模型具有更高的预测精度,证明了该方法的有效性。     

DHSVM模型在南小河沟的适用性研究

以位于黄土高原沟壑区的南小河沟流域作为研究对象,基于实测资料,构建了南小河沟的DHSVM模型,在南小河沟建立了一套合理的参数选值方案,给出了5个影响径流的敏感参数的参考值,为该流域的水文模拟提供了参考。探讨了DHSVM模型在该流域的适用性,结果显示模型能够较准确地模拟该流域的径流过程,率定期(2003—2005年)的纳什系数ENS为0.75,相对误差Er为12.74%;验证期(2006—2007年)的纳什系数ENS为0.68,相对误差Er为9.42%。率定期和验证期的纳什系数均大于0.65,相对误差均小于15%,模拟的结果较好,模拟精度也满足要求。因此DHSVM模型在南小河沟流域具有一定的适用性。     

改进型LSTM变形预测模型研究

针对传统预测模型处理复杂非线性变形数据能力不足的问题,应用一种深度学习模型——长短期记忆网络(Long Short-Term Memory,LSTM)进行变形预测分析.研究发现LSTM隐藏层受有限变形数据序列长度的影响较大,针对此类问题,文中在LSTM的基础上提出了一种改进模型.改进的模型将具有多个隐藏层的神经网络放在LSTM模型前,采用全连接层将两种网络连接起来,旨在提高预测精度.改进的LSTM模型主要对时间序列数据进行预测,以西南部矿业某矿区自动监测数据为例,将LSTM模型和改进后的LSTM模型进行了对比分析实验.为验证多变量输入是否会对预测精度造成影响,构建基于改进LSTM的多点预测模型,并与改进LSTM的单点预测对比.结果表明,LSTM可用于变形预测,且改进的LSTM模型很好地改善了LSTM存在的问题,预测精度相对更高,适用于多点预测,可批量处理变形数据.     

分布式陆面-水文模型在淮河流域的应用

分布式水文模型是模拟地表径流、研究流域水循环的有效手段,以淮河流域为研究对象,利用数字高程DEM(digital elevation model)、全球植被覆盖数据、土壤结构资料等构建气象数据驱动下的分布式陆面-水文模型,根据1980-1982年淮河流域水文站实测数据进行模型参数率定,采用相对误差、确定性系数和Nash效率系数作为衡量指标来验证模型的模拟精度,并对比淮河流域主要水文站实测逐日径流量与模拟值,分析该模型对洪水流量的模拟效果.研究结果表明,该分布式陆面-水文模型具有较高的模拟精度,能较好地模拟流域水文过程,可用于变化环境下的水循环过程模拟和流域水文响应研究.     

基于改进的LSTM算法的时间序列流量预测

时间序列流量的预测问题是近年来机器学习的一个热点问题,通过改变长短期记忆网络(LSTM)层数、网络层神经元的个数、网络层之间的连接方式,特殊网络层的应用等网络结构以及优化器和损失函数的选择可以极大地提高预测的精度.本文提出多层LSTM算法,该算法是在传统LSTM算法上进行改进的单一模型,模型设计的复杂度低,可以提高机器学习的效率.模型采用一个输入层、5个隐藏层、1个输出层,同时包含1个全连接层和1个Dropout层,Dropout层的作用是防止机器学习过拟合.选择adam为模型优化器、mlse为模型损失函数、relu作为模型的激活函数.实验结果表明,与传统模型相比,该模型具有较好的泛化能力.     

基于 XGBoost和 LSTM 模型的高校招生网站流量预测研究

为协助高校做好招生宣传工作 ,提出了基于机器学习的高校招生网站流量预测方法 装 首先 ,对 网络日志进行预处理 ,生成不同时隙的数据集；接着 ,通过 XGBoost 模型的训练比较 ,筛选得出最佳 实验数据集；然后 ,鉴于数据的非线性和趋势不一等特点 ,分别使用参数优化后的 XGBoost 和 LSTM 模型进行数据训练 ,并根据训练误差值计算权重系数；最后 ,应用 XGB- LSTM加权组合预测模型进 行数据预测 装 实验结果表明 ,该组合模型预测结果的平均误差分别比 XGBoost 和 LSTM模型提高了 80 . 28%和3 . 42% ,具有良好的预测能力。     

考虑变量滞后性的LSTM大坝变形安全监控预测模型

为进一步提升大坝变形的预测精度,充分反映外部环境变量对大坝变形影响的滞后性,考虑影响大坝变形的变量时间滞后效应,利用长短期记忆(long short-term memory,LSTM)网络算法,提出一种考虑变量滞后性的改进LSTM的大坝变形预测模型。将输入数据分为通过LSTM存储块的延迟变量和不通过存储块的无延迟变量,使模型在物理解释上更合理;为提高预测模型的非线性表达能力,增加第二个隐藏层,使时间效应量等无延迟变量在最后一个时间步可直接使用,不需进行复杂的转换形成原始输入时所需的子序列;结合具体案例计算验证改进模型的可靠度和精度。结果表明：改进LSTM模型的平均绝对误差(MAE)、均方误差(MSE)较LSTM模型分别降低了11.94%,25.60%,具有更高的预测精度;改进模型的预测残差正负分布范围较LSTM模型小,预测值整体在实测值附近变化。改进LSTM模型的预测结果优于LSTM模型,能更合理地对大坝变形进行预测。     

基于PCCLSTMMTL的综合能源系统多元负荷预测

为了保证综合能源系统(IES)的运行效率和可靠性,能源需求的准确预测至关重要。提出了一种基于Pearson相关系数(PCC),长短期记忆(LSTM)神经网络和多任务学习(MTL)的多元负荷预测方法。首先,运用PCC选取与冷热电负荷相关性较大的影响因素作为模型的输入;然后,通过LSTM建立MTL的共享层,实现多元负荷的联合预测;最后,结合亚利桑那州立大学的实测多元负荷数据来测试所提模型的预测精度。结果表明:所提模型具有更高的预测精度。     

基于简化型LSTM神经网络的时间序列预测方法

针对标准长短期记忆(long short-term memory, LSTM)神经网络用于时间序列预测具有耗时长、复杂度高等问题,提出简化型LSTM神经网络并应用于时间序列预测.首先,通过耦合输入门与遗忘门实现对标准LSTM神经网络的结构简化;其次,从门结构控制方程中消除输入信号与偏差实现进一步精简;然后,采用梯度下降算法更新简化型LSTM神经网络的参数;最后,通过2个时间序列基准数据集及污水处理过程出水生化需氧量(biochemical oxygen demand, BOD)质量浓度预测进行实验验证.结果表明:在不显著降低预测精度的情况下,所设计的模型能够缩短训练时间,减少LSTM神经网络的计算复杂度,实现时间序列的预测.     

基于LSTM误差校正蓄满-超渗兼容模型的山洪预报研究

为达到提高不同类型山区小流域洪水预报的适用性和运行效率的目的,以长江中游寿溪流域和黄河中游青阳岔流域为研究对象,建立了蓄满-超渗兼容洪水预报模型,并将预报结果与新安江模型的结果进行对比,此外建立自回归(auto-regressive, AR)和长短时记忆(long short-term memory, LSTM)误差校正模型,对洪水预报模型预报流量进行误差校正。结果表明：经LSTM校正后的蓄满-超渗兼容模型针对18场洪水验证集预报结果中的平均纳什效率系数为0.88,高出其他单一模型和集合模型0.11～0.26;平均洪峰误差绝对值为6.01%,低于其他单一模型和集合模型3.90%～18.50%,且各单场洪峰误差绝对值均在10%以内。该模型对峰现时差的校正效果不明显。整体来看,蓄满-超渗兼容模型预报性能高于新安江模型,LSTM模型校正效果优于AR模型,经过LSTM模型校正过的蓄满-超渗兼容模型预报结果最优,可有效提高洪水预报精度。     

基于强化学习的模型选择和超参数优化

随着机器学习技术的不断发展,机器学习算法种类的增多以及模型复杂度提高,造成了实践应用中的两大难题:算法模型选择及模型超参数优化。为了实现模型选择和超参数优化的自动处理,该文提出了一种基于深度强化学习的优化方法。利用长短期记忆(LSTM)网络构建一个智能体(Agent),自动选择机器学习算法模型及对应的超参数组合。该智能体以最大化机器学习模型在验证数据集上的准确率为目标,利用所选择的模型在验证数据集上的准确率作为奖赏值(reward),通过强化学习算法不断学习直到找到最优的模型以及超参数组合。为了验证该方法的可行性及性能,在UCI标准数据集上将其与传统优化方法中基于树状结构Parzen的估计方法和随机搜索方法进行比较。多次实验结果证明该优化方法在稳定性、时间效率、准确度方面均具有优势。     

基于VMD-CSSA-LSTM组合模型的股票价格预测

针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题,建立一种基于变分模态分解(Variational Mode Decomposition,VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm,CSSA)-长短期记忆 (Long Short-Term Memory,LSTM) 神经网络的组合模型——VMD-CSSA-LSTM.首先,利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function,IMF)分量.然后,采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化,将最优参数拟合至LSTM网络中.最后,对每个IMF分量建模预测,将各分量预测结果叠加得到最终结果.实验结果表明,与其他模型相比,本文模型在多支股票数据集上的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)均达到最小,预测股票收盘价格误差在0附近波动,稳定性更优、拟合更佳、精确度更高.     

地球流体动力学模型恢复的长短期记忆网络渐进优化方法

地球物理流体动力学的计算模型在数据同化和不确定性量化等任务中的计算代价非常大。有人提出了相应的替代模型以寻求减轻计算负担。研究人员已经开始应用人工智能和机器学习算法, 特别是人工神经网络, 针对地球物理流体建立数据驱动的替代模型。神经网络的性能在很大程度上取决于其网络结构设计和超参数的选择(调参)。一般情况下, 这些神经网络通过手动调参, 反复试错, 从而最大限度地提高其计算性能。这通常要求对底层神经网络结构以及特定领域问题有专业知识积累和认知。这一局限性可以通过使用进化算法, 自动设计和选择神经网络的最优超参数来解决。本文应用遗传算法进行了有效的长短期记忆(Long Short-Term Memory, LSTM)神经网络设计, 建立了NOAA海表温度数据集的温度预测模型。     

数控车床主轴热误差SHO-LSTM预测建模

在高精度加工过程中,数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%~70%,是主要的误差源之一。为了提高热误差预测的精度,提出了一种使用海马优化算法(SHO)优化时序预测网络(LSTM)的精密车床主轴热误差预测建模方法。首先,利用羚羊优化算法(GOA)对模糊C均值聚类(FCM)的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合Person、Spearman和Kendall相关分析方法优化温度测点,使用手肘法确定最优分组规模。根据DB、BWP和Silhouette聚类评估指标评估温度测点聚类效果。其次,以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入,使用SHO对LSTM的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化,并使用S折交叉试验方法确定最优分组规模,建立主轴热误差SHO-LSTM预测模型。再次,在不同转速下对构建的热误差模型进行基于平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE的预测效果进行评估。最后在CKA6163A型车床上进行实例验证,使用五点法进行测量辨识,同时测量主轴附近的温度。实验结果表明：所提出的温度测点优化算法相比未优化的模糊C均值聚类(FCM)的DB指标降低了89%,BWP和Silhouette分别提高了59%和8.17%,对比结果表明优化后的聚类算法可有效降低温度测点间的共线性,提高预测模型的预测效率。所提出的海马优化算法(SHO)优化时序预测网络(LSTM)与未优化的时序预测网络(LSTM)相比,所提出的预测网络的均方根误差RMSE降低了42%,表明海马优化算法(SHO)可以提高时序预测网络(LSTM)的准确性;与天鹰(AO)优化卷积神经网络(CNN)相比,所提出的预测网络的均方根误差RMSE降低了3%;与反向传播神经网络(BP)相比,所提出的预测网络的均方根误差RMSE降低了57%,对比结果表明SHO-LSTM主轴热误差预测模型的鲁棒性和准确性更高。     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

运用Dropout-LSTM模型的新冠肺炎趋势预测

为提高新冠肺炎(COVID-19)趋势预测精度,该文提出一种运用Dropout技术的长短期记忆(LSTM)神经网络预测新冠肺炎发展趋势的方法.该方法基于Python语言使用网络爬虫技术获取完整的国内新冠肺炎历史数据,提高数据采集效率的同时减少了主观原因导致的数据错误;因为新冠肺炎历史数据为时序性数据,为避免人为添加时间...     

基于半监督机器学习的滑坡易发性预测建模

为了克服滑坡编录样本不足、扩充滑坡样本较困难、主观随机选择的非滑坡样本准确性较低等缺点,以江西省南康区为例,拟用半监督卡方自交互侦测决策树(SSCHAID)和半监督反向传播神经网络(SSBPNN)进行滑坡易发性预测(LSP), 在已知滑坡样本和随机选取的非滑坡样本基础上,用全监督机器学习将初始LSP划分成不同级别;将高分辨率遥感影像和初始滑坡易发性图中的极高易发区叠加,筛选一定数量的潜在滑坡栅格单元扩充滑坡样本;从极低易发区选取非滑坡栅格单元组合成新的输出变量;将新的输出变量导入全监督机器学习,获得最终LSP并评价其精度. 结果表明：半监督机器学习的LSP精度远高于全监督机器学习的LSP精度.