基于RBF神经网络的时延预测模型与仿真

网络控制系统中时延普遍存在,时延的有效预测对控制系统非常重要。为准确对时延进行预测,文章建立一个基于RBF神经网络的时延预测模型,运用Matlab软件对该模型进行仿真,采用归一化的方法对用于测试的数据集进行预处理,利用这些处理过的数据集对该仿真模型进行训练和测试,结果证明RBF神经网络能很好的预测网络时延。     

基于LSTM等深度学习方法的股指预测研究

为了改善传统时间序列方法无法在预测模型中添加相关变量等缺点,并提高股指预测精度,运用LSTM神经网络等深度学习方法对我国上证指数及沪深300指数进行预测分析,并将预测结果与RNN、CNN、ARMA等模型进行比较,然后在模型中加入百度指数测试其对预测精度的影响,最后检验LSTM模型对训练步长的敏感性。研究结果表明,LSTM能够实现对股指的精准预测,其预测评价指标MAE、MAPE、RMSE分别为0.008、0.025、0.011,预测误差低于其它模型,加入百度指数可进一步提升其预测能力,但改变LSTM模型训练步长对结果影响不大。因此,LSTM模型在金融经济预测领域有较高的应用价值。     

基于蜻蜓算法的铁路货运量预测模型研究

为了提高铁路货运量的预测精度,针对长短期记忆神经网络性能受隐含层神经元数量、分块尺寸、最大训练周期数以及学习率的影响,提出一种基于改进的蜻蜓算法优化LSTM(Improved DA-LSTM)的铁路货运量预测模型。首先,为提高蜻蜓算法的收敛速度和避免局部最优问题,提出一种佳点集初始化种群的改进蜻蜓算法。其次,为提高LSTM模型的性能,运用改进的蜻蜓算法优化选择LSTM模型参数并进行铁路货运量预测。选择我国2001—2019年铁路货运量数据为研究对象,与DA-LSTM、GA-LSTM、PSO-LSTM、LSTM和BPNN相比,Improved DA-LSTM铁路货运量预测模型预测精度分别提高了0.664 2%、0.677 6%、1.203 8%、1.385 3%和2.046 6%。     

基于BP神经网络的智能电网短期电力负荷预测

当前现有预测方法对智能电网短期时间内的电力负荷预测存在预测精度低、预测精度受气象条件变化影响等问题,现引入BP神经网络研究智能电网短期电力负荷预测方法：获取智能电网历史运行数据,对数据进行预处理,对样本进行归一化处理;利用BP神经网络构建电力负荷预测模型;建立模型训练网络拓扑结构,训练模型预测性能;完成电网短期电力负荷预测,并在考虑气象因素的情况下对预测进行补偿,得到预测结果。实验证明：新的预测方法在实际应用中预测精度更高,且预测精度不会受到气象条件的影响。     

基于TS-NN模型的道路交通车流量预测

针对现有的智能交通系统预测方法,基于道路交通的关键参数车流量预测,提出了一种基于深度学习的时间序列交通流预测方法,进一步提升道路交通车流量预测准确率。在对道路交通数据集进行清洗后,使用时间序列和神经网络的结合算法TS-NN 进行车流量预测,实验表明,在城市路段的预测中,TS-NN 相对时间序列模型ARIMA、神经网络模型LSTM 准确率分别提升了1.62%和2.13%?在高速公路数据集上测试上,TS-NN 有更加明显的改进,相对ARIMA、LSTM 分别提升了20.87%和3.53%,在一定程度上,TS-NN 算法确实有助于改进智能交通系统核心算法。     

基于Prophet-LSTM模型的PM2.5浓度预测研究

作为衡量空气质量的重要指标,准确预测PM2.5浓度变化尤为重要。提出Prophet和长短期记忆（LSTM）相结合的组合预测模型（Prophet-LSTM）。在模型构建过程中,首先利用Prophet模型的可分解方法,将PM2.5日值浓度序列分解成趋势、周期和随机波动分量|然后对趋势和周期分量建立Prophet模型,对随机波动分量建立LSTM模型|最后将各分量的预测值集成得到PM2.5浓度的预测值。以郑州市PM2.5日值浓度数据为例进行实证分析,结果表明,该组合预测模型相较对比模型能够更好地预测PM2.5日值浓度的变化趋势。     

芜湖港集装箱运输发展研究

本文针对芜湖市集装箱运输的发展情况进行研究,建立了三次指数平滑预测模型,利用近十年的港口吞吐量数据进行三次指数计算,对芜湖港集装箱未来三年的吞吐量进行了预测,为今后芜湖港集装箱运输发展策略及规划提供了定量的依据;同时根据集装箱运输发展的预测趋势并针对芜湖港的具体情况,提出了加快港口集装箱运输发展的相关策略和建议.     

一种基于LSTM神经网络的电力负荷预测方法

设计了一种基于长短期记忆(LSTM)神经网络的电力负荷预测模型,在TensorFlow框架下使用Python语言编程实现;使用西班牙2018年一整年的电力负荷数据对模型进行训练,得到的模型可准确预测电力负荷数据的日变化、周变化规律,模型损失值可达0. 2,验证了模型的有效性;与RNN模型对比证明了LSTM模型的长期依赖学习能力更为优越。提出的模型是一种有效的电力负荷数据预测方法,可为电力系统的负荷预测提供依据。     

基于 A-LSTM 算法的烧结矿质量预测

针对烧结厂烧结杯实验周期长等问题,构建一种 A-LSTM 的烧结矿质量预测模型。在 LSTM 网络基础上借鉴注意力机制思想,通过权重再分配使网络更加关注训练过程中的非冗余数据。为减少损失函数在训练过程中的震荡,提出加权均方误差损失计算方式,考虑每轮输入数据缺失值占总体的比重,使模型预测更为准确。实验结果表明,A-LSTM 预测方法准确率可达 92.7%,相比于原始 LSTM,预测准确率提升了 1.9%。     

基于深度学习的细胞癌恶化程度预测方法研究

细胞癌是当今致死率最高的癌症之一,细胞癌恶化程度预测方法对治疗该病症具有重大意义。对细胞图像病理识别数据集中的癌症细胞切片进行检测,首先利用数据增加（DATA Augmentation,DA）技术,增加模型训练集和测试集,然后设计卷积神经网络训练和测试网络结构,再结合经验设置优化参数进行预测模型训练,从而为细胞癌恶化程度预测提供一个深度模型的检测手段。随着深度学习的发展和医学图像在临床上的应用,以及医学影像数据集的不断完善,该方法有望为医生诊断细胞癌恶化程度提供一种有效工具。     

改进LSTM的脱轨系数预测方法

研究基于长短时记忆神经网络模型的优化方法及其在脱轨系数预测中的应用,通过SIMPACK建立列车—轨道仿真场景得到网络训练所需数据集,构建基于长短时记忆神经网络的脱轨系数预测模型,借助动态学习率和Dropout方法针对学习率及网络结构进行优化,并使用优化后的长短时记忆神经网络对脱轨系数进行预测.脱轨系数预测结果表明,经过...     

灰色模型和最小二乘支持向量机在短期负荷组合预测中的应用

提出了结合数据预处理和灰色模型(GM)的最小二乘支持向量机(LS-SVM)短期负荷预测模型和算法.该模型在数据预处理的基础上,根据时刻T,通过缩小的样本集建立灰色模型,利用灰色模型的预测结果构建最小二乘支持向量机,最终,通过建立的最小二乘支持向量机对预测时刻进行预测.该算法不仅通过数据预处理策略提高了预测精度,而且避免了组合预测模型中权值选择问题.采用上述方法对河南电网负荷进行了预测分析,结果证明了该方法的有效性.     

基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。     

基于时域卷积与双向GRU神经网络的时序预测模型

随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双向GRU神经网络层提取时序数据的前向特征和后向特征,最后对时序数据进行预测。在真实数据集上的实验结果表明,该模型相比传统长短期记忆网络模型,预测准确度提高了近70%,预测速度提高了近10%,可更好地满足对大规模时序数据的预测需求。     

基于灰色关联和混合神经网络的光伏功率预测

为了提升光伏发电功率预测模型的精度和增强其对多变天气的适应能力,提出了采用基于天气预报的灰色关联相似日样本选取与混合神经网络相结合的光伏发电功率预测模型.相似日选取以辐射强度的影响因素为依据,采用晴天理论太阳辐射强度、空气污染指数、云量、湿度4个变量,通过灰色关联选出与预测日较为接近的历史数据构成样本子集.建立混合神经网络,对选出的样本子集进行天气要素扩充并训练模型,代入预测日特征向量完成预测.为检验该模型的精确性和鲁棒性,通过实例与常见BP神经网络模型进行预测结果对比,显示了新模型在光伏发电功率预测的良好应用前景.     

基于高光谱成像技术的草莓硬度预测

为对草莓硬度进行预测研究,利用高光谱成像系统获取草莓的高光谱数据,光谱数据波长为400~1 000nm,采用标准正态变换（SNV）、多元散射校正（MSC）、卷积平滑方法（Savitzky Golay ）以及几种方法相结合对光谱数据进行预处理,选择最优的预处理方法,进一步结合化学计量学方法建立PLS预测模型,比较不同的光谱预处理方法对预测模型的效果,以选择最优预测模型。结果表明,经标准正态变换（SVN）处理后建立的偏最小二乘（PLS）模型效果最好,校正集和预测集的相关系数及均方根误差分别为0.989,0.882和0.021,0.073。因此,可采用高光谱成像技术对草莓硬度进行预测。     

基于RTT的智能预测方法研究

对网络拥塞控制中的重要参数RTT进行了研究,在Matlab环境下,利用神经网络对实测RTT数据进行学习训练,建立了一个RTT智能预测模型,可对RTT进行短期预测。实验结果表明,用神经网络对RTT进行短期预测可以得到较为理想的结果。     

基于PSO-SVM的电动车铅酸蓄电池SOC预测

为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。     

基于RDPSO-BP的粮食产后储藏环节损耗预测分析

对产后粮食损耗进行分析与研究,调查获得10多个省份的粮食损耗问卷,对问卷进行统计分析得到影响损耗的各个因素变量,同时进行数据预处理作为模型数据集。最后,将该数据集应用于提出的RDPSO-BP模型中。将随机粒子群（RDPSO）算法与BP神经网络相结合,并优化神经网络参数,从而得到粮食产后储藏环节损耗率预测模型。通过MATLAB仿真实验,发现优化后的RDPSO-BP模型相比传统BP神经网络,具有更高的预测精度,训练与测试误差分别降低了0.041%和0.055%。因此,该模型能够更好地预测粮食产后储藏环节的损失率,在实际粮食损耗分析中具有重要作用。     

基于商业智能的电网负荷预测模型的构建研究

根据对电网负荷预测业务的分析,采用探索型数据分析方法对电力企业数据仓库中的数据进行训练建模,构建出电网负荷预测模型。模型应用情况表明:应用该模型后电力企业负荷预测较传统预测方法准确率明显提高,电力企业预测技术水平相应提高,同时,应用该模型还有助于电力企业有计划地进行用电管理,确保电力企业决策分析可行性。