基于注意力机制ConvLSTM的UAV节能预部署策略

无人机(UAV)可以作为空中基站而凭借其移动性灵活地实现热点区域的覆盖.如何预测流量的分布而优化UAV部署是运营商面临的挑战.针对此问题,该文提出一种基于注意力机制卷积长短期记忆网络(A-ConvL-STM)的UAV节能预部署策略:提出一种融合注意力机制的卷积长短期记忆深度时空网络模型A-ConvLSTM,用于预测用户...     

基于神经网络模型的光伏发电功率预测研究

随着全球环境污染变得日益严重以及能源需求的快速增长,太阳能光伏发电受到天气、大气状况等多种因素的影响,其发电功率具有不确定性,需要准确的预测模型来提高其利用效率。文章采用了长短期记忆网络(Long Short-Term Memory, LSTM)模型来预测太阳能光伏发电功率,将历史气象数据及发电功率数据作为输入变量,将极限学习机(Extreme Learning Machine, ELM)模型作为预测误差对比,证明长短期记忆网络模型能够有效提高预测精度,具有一定的实际指导意义。     

融合1D-CNN和LSTM的民航客运量预测模型

在民航客运领域,准确地预测航线每日的客运量对民航公司具有重要的指导意义。循环神经网络能较好地预测民航的客运量,但在准确率,尤其是时间效率方面仍需提高。因此,提出一种融合一维卷积神经网络和长短期记忆网络的客运量预测模型,利用一维卷积神经网络计算代价小和可以识别序列局部模式的特性以及长短期记忆网络可以捕获客运量序列的时间依赖特性,对客运量进行预测。实验结果表明,所提模型在RMSE和MAE评价指标上均优于门控循环单元、时间卷积网络等基准模型,且在效率方面也较具优势。     

基于卷积长短期记忆网络的说话人辨识

利用卷积长短期记忆网络适合时间序列数据的分类和预测处理特点,文章将含有噪音的语谱图映射到卷积长短期记忆网络的高维空间中聚类,去除噪音,构建GMM-SVM说话人模型,完成说话人辨识。实验表明提出的LSTM-GMM-SVM说话人系统具有很好的鲁棒性和识别率。     

基于时空特征的多模型网络流量短期预测方法

网络流量短期预测由于其波动性大,突发性强,采样随机性高等特点一直是研究人员重点关注的课题之一,其对于网络调度,异常预警等网络规划工作具有重要的指导作用。从网络短期流量的时间周期性和空间关联性入手,对原始短期流量数据进行时空特征维度构造,并使用长短期记忆LSTM和LightGBM决策树对未来不同采样时刻的流量进行预测,最终在多个数据集的实验中达到了良好的预测精度。     

基于长短期记忆网络-模糊控制的光伏最大功率点跟踪算法

光伏阵列具有非线性特点且其最大功率点会随环境变化而产生偏移现象。尽管最大功率点跟踪算法被广泛地应用于跟踪和预测光伏系统的最大功率点,但仍然面临着模糊控制的动态品质低、控制精度不佳等挑战。为解决前述问题,提出了一种集成长短期记忆网络与模糊控制的光伏最大功率点跟踪算法。首先,采用长短期记忆网络以时间序列法预测最大功率点电压。其次,将该预测电压与光伏阵列电压间偏差及其导数作为模糊控制的输入,然后直接调节Boost变换器的占空比。再者,为防止开关管常通,预先设置了变换器的最大、最小占空比。最后,在四种可变大气条件下,利用MATLAB/Simulink对所提算法进行仿真验证。实验结果表明：与长短期记忆网络、电导增量法和遗传算法相比,所提出的算法具有良好的跟踪性能、稳定精度及效率,并且具有波形更平滑、振幅较小的优点。     

基于长短期记忆生成对抗网络的小麦品质多指标预测模型

小麦多生理生化指标变化趋势反映了储藏品质的劣变状态,预测多指标时序数据会因关联性及相互作用而产生较大误差,为此该文基于长短期记忆网络(LSTM)和生成式对抗网络(GAN)提出一种改进拓扑结构的长短期记忆生成对抗网络(LSTM-GAN)模型。首先,由LSTM预测多指标不同时序数据的劣变趋势;其次,根据多指标的关联性并结合GAN的对抗学习方法来降低综合预测误差;最后通过优化目标函数及训练模型得出多指标预测结果。经实验分析发现:小麦多指标的长短期时序数据的变化趋势不同,进一步优化模型结构及训练时序长度可有效降低预测结果的误差;特定条件下小麦品质过快劣变会使多指标预测误差增大,因此应充分考虑储藏期环境变化对多指标数据的影响;LSTM-GAN模型的综合误差相对于仅使用LSTM预测降低了9.745%,并低于多种对比模型,这有助于提高小麦品质多指标预测及分析的准确性。     

基于变权重拟合的并行组合电价预测模型研究

在电力市场中,日前电价预测是用户用电决策的关键因素之一.为提高电价预测精度,提出了一种基于变权重拟合的并行组合电价预测模型,该模型结合了长短期记忆网络(LSTM)和支持向量机(SVM)模型,权重则采用改进粒子群算法(IPSO)获取.在预测过程中,首先分别使用LSTM和SVM对电价进行预测,然后使用预测日前的历史预测结果...     

虚拟网络功能资源容量自适应调整方法

为了实现网络功能虚拟化平台中物理资源的动态按需分配,该文提出一种虚拟网络功能资源容量自适应调整方法。该方法首先利用长短期记忆网络预测平台流量的变化趋势,然后结合流量预测结果设计了一种基于多层前馈神经网络的虚拟网络功能资源需求预测方法,最后根据资源需求预测结果,设计了一种基于动态编码遗传算法的虚拟网络功能动态部署方法,实现虚拟网络功能资源容量的自适应调整。实验结果表明,与现有的资源容量调整方法相比,该文提出的资源容量自适应调整方法能够降低流量预测误差对资源需求预测结果的影响,降低资源需求预测的相对误差,减少虚拟网络功能实例占用的服务器数量。     

虚拟网络功能资源容量自适应调整方法

为了实现网络功能虚拟化平台中物理资源的动态按需分配,该文提出一种虚拟网络功能资源容量自适应调整方法.该方法首先利用长短期记忆网络预测平台流量的变化趋势,然后结合流量预测结果设计了一种基于多层前馈神经网络的虚拟网络功能资源需求预测方法,最后根据资源需求预测结果,设计了一种基于动态编码遗传算法的虚拟网络功能动态部署方法,实现虚拟网络功能资源容量的自适应调整.实验结果表明,与现有的资源容量调整方法相比,该文提出的资源容量自适应调整方法能够降低流量预测误差对资源需求预测结果的影响,降低资源需求预测的相对误差,减少虚拟网络功能实例占用的服务器数量.