基于结构化神经网络挖掘的农产品产量预测方法

农产品市场的准确预测对指导农业生产、农产品流通和农产品消费有重要作用。本文提出了一种改进的结构化神经网络(ISNN),并基于ISNN构建了农产品产量预测模型;设计了一种优化性能更好的混合遗传算法(MGA),并采用MGA对ISNN预测模型进行训练。应用训练好的预测模型对某县最近10年的玉米总产品进行了预测分析。实验结果表明,该方法收敛速度快、学习能力强、预测精度较高、误差率较小。     

基于粗糙集和分形理论的交通流优化控制设计模型

为解决交通预测的全局优化控制问题,在运用粗糙集理论对路网节点所测得的历史交通流量进行量化分析的基础上,建立了规则简化的数据清洗模型;基于分形理论的相似性原理建立了交通流量的预测模型,并给出了交通流优化控制系统的运行机制和相应的网络拓扑结构。用某交通观测站的实测数据对模型进行仿真,仿真结果表明,文中所设计的模型和算法是有效的。     

基于灰色RBF神经网络模型的电梯层间交通分布预测

为了有效预测电梯的层间交通分布状态,提出一种层间交通O-D矩阵的预测方法．该方法融合灰色预测和神经网络方法各自的优点,将灰色预测方法与RBF神经网络有机结合,构造灰色神经网络预测模型．利用灰色预测中的累加生成运算（accumulatedgeneratingoperation,AGO）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本．还提出了对不良交通需求数据的修正方法,以进一步降低观测数据的随机性．所提方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,适用于短期层间交通分布预测．仿真试验验证了该方法的有效性．     

Multiple households energy consumption forecasting using consistent modeling with privacy preservation

Traditional data-driven energy consumption forecasting models, including machine learning and deep learning methods, showed outstanding performance in terms of forecasting accuracy and efficiency. The superior performances are based on enough training data samples. Moreover, the derived forecasting model is only applicable to the training dataset and usually is applied to specific household. In real-world smart city development, a centralized forecasting model is required to model and forecasting energy consumption patterns for multiple households, whereas the traditional data-driven forecasting approaches may become invalid. A consistent model is demanded in this scenario modeling multiple households’ energy consumption patterns. Additionally, privacy issues are also highly concerned in such scenarios. Accurate energy consumption forecasting with privacy preservations becomes a key point for the state-of-art research. In this study, we adopt an innovative privacy-preserving structure that combines deep learning and federated learning. Under the premise of guaranteeing forecasting accuracy and privacy preservation, this structure can achieve the forecasting of various household energy consumption with a consistent model that simultaneously forecast multiple household energy consumption data by transmission control protocol.     

融合CNN-BiLSTM-Attention的集成学习价格预测

价格预测对于大宗农产品市场的稳定具有重要意义,但是大宗农产品价格与多种因素有着复杂的相关关系.针对当前价格预测中对数据完整性依赖性强与单一模型难以全面利用多种数据特征等问题,提出了一种将基于注意力机制的卷积双向长短期记忆神经网络(CNN-BiLSTM-Attention)、支持向量机回归(SVR)与LightGBM组合的增强式集成学习方法,并分别在包含历史交易、天气、汇率、油价等多种特征数据的数据集上进行了实验.实验以小麦和棉花价格预测为目标任务,使用互信息法进行特征选择,选择误差较低的CNN-BiLSTM-Attention模型作为基模型,与机器学习模型通过线性回归进行增强式集成学习.实验结果表明该集成学习方法在小麦及棉花数据集上预测结果的均方根误差(RMSE)值分别为12.812, 74.365,较之3个基模型分别降低11.00%, 0.94%、4.44%,1.99%与13.03%, 4.39%,能够有效降低价格预测的误差.     

基于流水线模式的河系径流预报并发计算研究

在河系径流预报计算中,一方面受单站水文过程计算复杂性影响,另一方面下游站点依赖上游关联节点,现有洪水预报系统在河系预报计算时多采用串联模式进行计算。这在河流系预报节点较多、模型方法略为复杂时,计算效率较低。为突破河系径流预报计算效率瓶颈,本研究引入流水线并行模式,对河系径流预报站点初始化、单元产汇流计算、河道洪水演算、校正分析等模块进行拆解,构建流水线式工作站,将径流预报站点按水力联系连续入站,实现河系节点集径流过程的平行并发计算。选取淮河正阳关以上流域50余断面进行了模拟试验,结果表明：研究构建的并发计算方法计算结果可靠,较串行结构效率提升超3倍,可满足洪水预报实时性要求、尤其适用于B/S模式对系统响应效率的需求。     

基于宽度学习系统的短期电力负荷预测方法研究

电力负荷预测已成为电力调度的一项重要工作,也是评估电力企业是否实现现代化的重要指标之一。精准可靠的电力负荷预测数据对合理安排电力企业发电机组启停、降低电力损失、保障社会用电安全和提高电力企业经济效益等方面具有重要意义。短期电力负荷预测是针对短期负荷变化、甚至实时负荷变化,但由于短期负荷变化较为突然,预测难度大。为了提高短期电力负荷预测精确度,本文提出了一种基于宽度学习系统的短期电力负荷预测方法,通过采用邻域粗糙集分类算法,对输入参数进行特征提取,然后采用宽度学习系统对电力负荷历史数据进行离线训练,利用已训练完成的模型实现24h短期负荷预测。研究结果表明,使用本方法可以有效降低MAPE和RMSE,也有效减少了训练时间,提高了模型训练速度,具有优异的预测能力。     

基于奇异谱分析的长时交通流混合预测模型

长时交通流预测是综合交通运输系统规划的重要组成部分,也是宏观交通流管理政策制定的重要依据。 针对时序预测 中存在较多噪声及单一模型预测效果不稳定等问题,提出了一种基于奇异谱分析(SSA)的混合预测模型,以提高实际应用中交 通流序列预测的精度与效率。 首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项,其中趋势项运用支持向量回 归(SVR)进行预测,并引入灰狼优化(GWO)算法对模型参数进行优化,周期项利用带遗忘机制的在线序列极限学习机(FOSELM)预测,最后叠加两部分得到预测结果。 以真实交通流数据开展实验,本文所提出的混合预测模型的平均绝对误差为 215. 15,均方根误差为 278. 51。 整体结果表明,该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题;相比经 验模态分解(EMD)以及未经处理的时间序列,各模型对经过奇异谱分析的时间序列的预测误差均有所减小,进一步证实了奇 异谱分析在时间序列分解中的有效性。     

基于Vine Copula的短期径流预报不确定性分析

定量分析短期径流预报序列的不确定性特征,对于提高水库短期运行计划的可靠性具有重要意义。针对常用多元椭圆Copula或阿基米德Copula难以有效刻画短期径流预报不确定性特征的问题,本文引入了Vine Copula对不同径流量级及不同预见期下预报不确定性进行定量评估,进而分析了先验信息对于后续时段预报不确定性的影响。以雅砻江流域锦西水库为例进行验证,结果表明：相较于传统多元Copula函数,Vine Copula构建的相对预报误差联合分布均能通过假设检验且拟合效果最好,模拟结果的统计量与实测数据相差较小;通过利用调度期内已经发生的相对预报误差信息,可以有效减小后续时段相对预报误差期望值及90%置信水平分位距,降低预报的不确定性。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。