用LSTM对市级周交通事故量预测方法研究

市级交通事故量时间序列的波动是影响对其准确预测的关键因素。提出的预测方法针对市级日交通事故量时间序列,采用长短期记忆神经网络(Long Short-Term Memory, LSTM)捕捉序列当前观测值与前序观测值的时序依赖关系,通过寻找最优窗口长度的LSTM市级日粒度交通事故量预测模型使拟合数据对训练集误差最小,对验证集的预测结果在转为周粒度时取得了较为准确的预测效果。提出的预测方法解决了影响市级周交通事故量准确预测的问题,该方法发现基于交通事故量训练的用于捕获观测值时序依赖关系的LSTM模型对数据基本趋势准确性的表达远好于对数据波动性的表达。为此,提出最优窗口算法来确定LSTM模型最优窗口长度,以确保对训练集基本趋势表达的准确性,再根据所发现的细粒度下的预测结果对交通事故量基本趋势的准确描述可转化为粗粒度下对波动性准确描述的事实,将日粒度预测结果转为周粒度后就取得了较为准确的预测效果。     

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神经网络模型使用多序列股票预测方法来进行股票价格的涨跌趋势预测.实验结果证实,与日数据相比,周数据的预测效果表现更优,其中日数据的平均准确率为52.8%,而周数据的平均准确率为58%,使用周数据训练LSTM模型,股票预测准确率更高.     

K-Similarity降噪的LSTM神经网络水质多因子预测模型

针对水质预测问题,以地表水水质监测因子作为研究对象,提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型,同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪,提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验,证明了所提出的方法均方误差最小,预测结果更准确.     

基于TG–LSTM神经网络的非完整时间序列预测

针对传统模型对含数据缺失的非完整时间序列预测精度不高的问题,利用长短期记忆(LSTM)神经网络强大的时序建模能力,提出一种带时间门的长短期记忆(TG–LSTM)神经网络.首先,提出一种能同时对输入值在线估计和输出值实时预测的TG–LSTM单元结构;其次,基于TG–LSTM结构设计一种网络的前向传播算法,实现输入填补和输出预测同步进行;然后,建立TG–LSTM神经网络的学习算法来对输入填补和输出预测任务整体训练;最后,通过在Mackey-glass基准数据集,月平均气温数据集和污水处理出水氨氮预测中的实验结果表明:与传统方法相比,TG–LSTM神经网络模型能以更高精度对非完整时间序列进行填补和预测.     

基于多模态数据融合的城中村社会治理大数据模型构建与算法创新

针对城中村社会治理中信息分散、决策不准确等问题,提出一种基于多模态数据融合的大数据模型构建方法。采用多模态数据融合策略,将不同类型的数据进行融合和关联,以获取更全面、准确的城中村社会治理信息。为了实现数据融合,引入了卷积神经网络（Convolutional Neural Networks,CNN）和长短时记忆网络（Long Short-Term Memory,LSTM）等深度学习方法,通过对不同数据模态进行特征提取和表示学习,进一步增强模型的表达能力和泛化能力。实验结果表明,与传统的方法相比,所提出的模型和算法能够更准确地预测社会问题,优化资源配置,提高城中村社会治理的效能和效果。     

基于LSTM的感应测井数据预测方法研究

为研究感应测井数据质量,采用长短期记忆（Long Short Term Memory,LSTM）网络作为感应测井数据预测模型。首先建立阵列感应测井数据库,进行统一标准格式化并建立3层模拟地层环境模型;其次建立LSTM神经网络预测模型预测阵列感应测井原始阵列数据,并通过图表可视化输出预测结果;最后使用预测指标评价预测结果。结果表明基于LSTM神经网络的预测模型预测阵列感应测井原始阵列数据较为准确,且比传统方法更快速、简便。     

基于模糊分析的LSTM交通流量预测

为提高交通流预测模型的准确性及泛化性,提出一种基于模糊分析的LSTM交通流预测方法实现对交通状态的预估分析.对历史数据采用LSTM神经网络进行训练,获取神经网络权值参数,针对交通流时序数据存在周期性,提出基于模糊聚类分析的策略对LSTM模型的历史训练误差进行聚类.根据当前交通流数据与历史数据的相似度预估LSTM预测模型的在线误差.综合LSTM神经网络预测输出以及基于相似度分析的在线误差预测输出预估交通流状态,给出相应的算法步骤.仿真实验验证了提出方法的有效性,其比单一预测预测模型效果更好.     

融合注意力机制的LSTM期货投资策略

近年来,金融量化领域中不断出现基于人工智能算法的量化投资模型,这些模型试图通过人工智能的方法来对金融时间序列建模,从而对数据进行预测并构建投资策略.针对传统的长短时记忆神经网络(Long Short Term Memory,LSTM)对金融时间序列预测不佳的问题,本文提出一种改进的LSTM模型,通过在LSTM层加入注意力机制(attention mechanism)提高神经网络的预测效果,通过遗传算法(Genetic Algorithm,GA)对模型参数调优提高模型泛化能力.使用2019年1月至2020年5月期间国内股指期货数据,我们进行了现有最高水平(state-of-the-art)算法间对比实验,结果显示本文提出的改进的LSTM模型的各方面指标均优于其它模型,显示了该策略模型应用于期货投资的有效性.     

基于神经网络的水厂水质预测研究

水质预测模型类型繁多,结构复杂,不同的模型有不同的特点,适用于不同的情况。针对中电建夹江青衣水厂取水口的实际情况,采用不同的神经网络模型和不同的特征选择方法对水质数据进行预测,经对比发现:对于该厂取水口的水质预测问题,采用单层LSTM网络预测效果最好,对同一网络模型不对数据进行特征降维而用尽可能多的特征进行预测效果更好。该工作为后续更准确地预测提供了依据和研究方向。     

基于LSTM-LightGBM模型的车站环境温度预测

客运火车站环境温度易受其他环境特征变量如湿度、PM2.5、二氧化碳等影响,传统的单变量预测算法并未考虑其他环境特征变量的影响因素;为进一步准确预测车站环境温度值,提出了结合长短期记忆神经网络LSTM与梯度提升算法LightGBM的组合模型,对客运站环境温度值进行预测;首先将预处理数据输入LSTM模型,对环境特征变量湿度、二氧化碳、PM2.5、PM10进行单变量预测;再将环境特征变量的LSTM输出预测值输入LightGBM模型得出环境温度预测值;根据波形图与均方根误差RMSE对比分析,基于LSTM-LightGBM的组合模型预测方法可以保留LSTM模型对单变量预测的周期性特点,且可表现出环境特征变量输入LightGBM模型后对温度预测的非平稳变化;结果表明基于LSTM-LightGBM的组合模型方法比单纯使用LSTM方法更接近原始波形,具有更低的RMSE。     

基于PF-LSTM网络的高效网络流量预测方法

传统网络流量预测模型存在泛化能力弱和预测准确度低等缺点。为解决此问题,提出一种基于长短期记忆（LSTM）循环神经网络的网络流量预测模型。首先,用距离比较和优化组合策略改进粒子滤波算法（PF）的重采样过程;然后搭建PF-LSTM网络的网络流量预测模型,将改进的PF算法用于模型训练,提高其训练速率,克服传统LSTM网络中收敛于局部最优的缺点;最后将提出的模型用于网络流量预测。实验结果表明,相比传统的LSTM模型,提出的PF-LSTM模型具有较好的预测精度和收敛效率,能够更好地描述网络流量的变化趋势。     

基于深度学习的短时交通流预测模型

交通流预测在智能交通领域有着重要的现实意义。由于交通流数据受多种因素影响,平稳性差、随机性强,呈现出高度非线性的特征,使得交通流预测极为困难。针对短时交通流预测准确性的要求,本文提出一种基于互补集成经验模态分解(Complete Ensemble Empirical Mode Decomposition, CEEMD),并结合卷积神经网络(Convolutional Neural Networks, CNN)和长短期记忆网络(Long Short-Term Memory, LSTM)的短时交通流预测方法。模型通过CEEMD信号分解减少噪声对交通流数据预测的影响,采用CNN、LSTM充分挖掘数据的时空特征,使得模型做出更加准确的判断,从而提高神经网络的学习效率。在真实交通流数据上进行实验验证,结果表明,本文提出的模型可以有效提高交通流预测的准确性。     

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SCSO-GRU模型的网络流量预测

网络流量有实时性、不稳定性和时序相关性等特点,传统网络流量预测模型存在泛化能力不强和预测精度低等不足之处。为解决这些不足,本文提出一种结合基于正余弦的群优化（SCSO）算法的GRU神经网络的网络流量预测模型（SCSO-GRU）。首先,介绍SCSO算法的粒子更新原理;然后构建SCSO-GRU神经网络的网络流量预测模型,将SCSO算法用于模型训练,提高训练效果,克服传统GRU神经网络收敛于局部最优的缺点;最后用SCSO-GRU模型进行网络流量预测。实验结果表明,与传统LSTM和GRU模型相比,本文模型具有显著的收敛效果和较好的预测精度,可以更好地刻画网络流量变化趋势。     

道路交通事故径向基神经网络预测模型研究

道路交通事故预测的目的是为交通管理部门提供未来交通安全的发展趋势。论文在进行交通事故统计的基础上,运用径向基神经网络理论,利用Matlab软件建立交通事故预测模型,对1990年至2006年的交通事故死亡人数和经济损失进行网络训练和外推预测。计算结果表明,该模型预测和外推精度高,可用于交通事故预测。     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性。     

基于小波分解的LSTM水质预测模型

水是人类和其它生命体所依赖的不可缺少的资源, 建立水质预测模型预测水质状况具有重要的社会经济和生态环保价值. 本文建立了基于小波分解的长短期记忆网络(LSTM)时间序列预测模型(W-LSTM), 运用Daubechies5 (db5)小波将水质数据分解为高频率和低频率信号, 再将这些信号作为LSTM模型的输入, 来训练模型预测水质数据. 利用安徽阜南王家坝流域采集到的4项水质指标(pH值、DO、CODMn、NH₃N)对该模型进行训练、验证和测试, 并与传统LSTM神经网络模型的训练和预测结果进行比较. 结果显示所提出的方法在多种评价指标上均优于传统LSTM模型, 表明了该方法具有较高的预测精度和泛化能力, 是一种更有效的模拟预测手段.     

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.     

基于改进时空残差卷积神经网络的城市路网短时交通流预测

城市路网交通流预测受到历史交通流和相邻路口交通流的影响,具有复杂的时空关联性.针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题,提出一种基于改进时空残差卷积神经网络(CNN)的城市路网短时交通流预测模型.该模型将原始交通流数据转化成交通栅格数据,利用皮尔逊相关系数(PCC)对...     

基于自编码器的网络游戏流量分类

加密和动态端口技术使传统的流量分类技术不能满足网络游戏识别的性能需求, 本文提出了一种基于自编码器降维的端到端流量分类模型, 实现网络游戏流量的准确识别. 首先将原始流量预处理成784 B的一维会话流向量, 利用编码器进行无监督降维, 去除无效特征; 接着探索构建卷积神经网络与LSTM网络并联算法, 对降维后的样本进行空间和时序特征的提取和融合, 最后利用融合特征进行分类. 在自建的游戏流量数据集和公开数据集上测试, 本文模型在网络游戏流量识别方面达到了97.68%的准确率; 与传统端到端的网络流量分类模型相比, 本文所设计的模型更加轻量化, 具有实用性, 并且能够在资源有限的设备中方便部署.