基于门控宽度模型的结构监测数据预测

随着信息技术的不断发展,机器学习在结构自动化监测中的应用逐渐增长。数据分析与预测作为结构自动化监测的重要一环,是保障结构安全的关键。针对目前结构监测数据预测方法未充分挖掘数据特征和运算时间冗长的问题,提出了一种基于门控宽度模型(gated broad learning system,G-BLS)监测数据预测模型。G-BLS在BLS特征节点增加遗忘门和循环反馈门机制,能够控制特征节点提取相关性高的信息。与深度模型相比,G-BLS模型网络结构简单,在保证预测精度的同时大大减少了模型训练时间。实测的地铁基坑沉降数据测试结果表明,G-BLS可有效实现预测监测数据的可靠性与实时性,是一种精准快速的结构监测数据预测方法。

基于随机森林算法的电力工程数据预测分析建模与仿真

针对电力工程数据量大、种类较多且传统分析模型处理效果不佳等问题,文中构建了一种基于随机森林算法的电力工程数据预测分析模型。该模型通过采集层获取各种工程数据,并在数据分析层运用经灰狼优化算法改进的随机森林算法对各种数据进行深度挖掘及学习,以获得电力工程数据的预测结果,从而满足应用层的业务需求。基于Matlab仿真平台进行数值实验论证的结果表明,所提模型的平均绝对百分比误差与均方根误差分别为4.15%、34.19万元,且均优于其他对比模型。

应用自适应HP滤波的卫星遥测数据预测方法

在应用HP(Hodrick-Prescott)滤波的卫星遥测数据预测方法的基础上进一步研究,提出了基于二分法和琴生不等式判别的自适应HP滤波的遥测数据预测方法,有效解决了平滑参数的选择困难。同时,趋势项和波动项预测在应用HP滤波的方法的基础上有创新和优化,分别采用了线性预测模型和自回归单整移动平均(ARIMA)模型,有利于有效趋势特征提取和模型参数调整范围的优化。应用文章方法对卫星在轨行波管阳极电压数据进行分析,证实了方法的正确性和有效性。此方法可有效提高预测精度,实现遥测数据中长期预测,在卫星故障诊断和预警方面具有工程应用价值。

基于改进ARIMA模型的电力物资数据预测分析

准确的物资需求预测结果,对合理编制电力物资供应计划有重要意义。因此,本文提出一种结合ARIMA模型和BP神经网络的方法,以更准确地预测电力物资需求时间序列。使用ARIMA模型对物资需求量进行线性预测,将预测的残差序列作为BP神经网络的输入,利用神经网络对残差序列进行非线性建模,修正ARIMA模型的预测值。试验结果表明,修正BP神经网络的误差可以显著提高预测精度,使预测结果更加贴近实际值,可以为保证物资供应的质量和效益提供重要的决策依据。

基于改进灰色模型的飞机飞行仿真数据预测

为解决仿真中的实时性问题,提出利用灰色预测模型进行仿真数据预测的方式加快仿真速度,并针对灰色模型在仿真数据预测方面实际应用时的问题做出了相应的改进;采用3次样条插值对非等时距序列进行插值处理得到等时距的序列;改进了灰色模型建模过程中的背景值计算过程;结合新陈代谢的思想对数据更新,弱化旧数据、强化新数据对模型的影响;将灰色模型接入到飞机分布式虚拟仿真平台中进行验证,验证结果表明改进后的灰色预测模型性能更好,接入到仿真平台中能加速8.9%,效果明显。

基于大数据预测的优化控制技术在燃烧自动及机炉协调上的应用

简要介绍了基于大数据预测的优化控制技术在循环流化床锅炉自动及汽机锅炉协调运行上的应用情况,采用人工智能优化自动控制技术及机炉协调控制保证锅炉负荷、压力、氧量、温度、负压的稳定,从而实现安全、经济、节能的供热,最终实现全厂锅炉(风、水、煤)、环保等控制回路全部自动控制,达到自动、节能、环保、减员的目的。

基于大数据预测的湖南高铁技术人才培养政策体系探索

预测高铁技术人才需求规模对确保项目的可持续发展、优化人才培养资源配置以及提升行业竞争力和创新能力至关重要。但在预测和分析高铁技术人才需求时,面临数据收集与整合的不足、分析方法和工具的局限性、行业需求的快速变化、区域经济发展差异以及教育体系与行业需求脱节等问题。针对这些问题,在构建大数据驱动的人才培养政策体系时,应建立动态数据收集与分析机制,推进教育体系与产业需求的结合,加强跨行业合作和知识共享,实施区域差异化的人才培养策略,推广创新型学习方法和技能培训。

基于全卷积时空网络的数据预测案例分析

阐述基于案例数据,利用图示表学习来捕捉潜在的动态特征。提出时空混合效应卷积模型来预测数据的趋势,将潜在传播模式编码到学习模型中,从数据的时间序列中提取出效应传播的等效网络,并建立混合消息传递机制。在多个公开数据集上对该方法进行评估。实验结果显示了模型的优越性,体现图神经网络在案例预测中的实用价值。

基于电子信息技术的工业物联网通信缺失数据预测方法

工业物联网通过连接大量传感器和设备,实现工业生产的实时监控和优化。然而,由于复杂的通信环境和设备故障,数据缺失问题频发,对数据分析和智能决策构成挑战。基于电子信息技术的通信缺失数据预测方法,通过数据采集与预处理、特征提取、预测模型训练以及实时预测等环节,构建精确的预测模型,提升系统数据的完整性和连续性。文章探讨了该方法的实现过程和具体步骤,并通过实验验证其在实际应用中的有效性和优势。

基于EEMD-TCN的数据预测模型分析

阐述一种基于集合经验模态分解(EEMD)和时间卷积网络(TCN)的组合预测模型。使用EEMD对样本数据进行分解,得到若干模态分量IMF和残差,将各个分量输入TCN模型进行预测,最后将各分量预测结果叠加获得最终结果。实验结果表明,该模型比其他对比模型具有更高的预测精度。

基于应变监测数据预测值的藏式古建筑木结构健康状态评估

为增加藏式古建筑木结构的安全冗余度,该文提出了短期应变监测数据预测方法,以此对藏式古建筑木结构健康状态进行预判性评估。以回廊结构为对象,利用Sobel算子与卷积神经网络方法处理传感器带来的多种数据异常。通过多项式回归和功率谱密度的方法确定应变监测数据组分。引入变分模态分解法对数据进行解耦,以Prophet算法预测短期温度监测应变,以Gumbel极值理论预测不同重现期下的人群监测应变。以不同重现期下的应变监测数据预测值的叠加结果确定需重点关注的结构位置和需立即修缮的结构位置,以满足藏式古建木构的预防性保护要求和最小扰动原则。

对二甲苯结晶相关多元体系的固液相平衡数据预测

针对与对二甲苯结晶相关的由苯、甲苯和碳八(C_(8))芳烃组分组成的多元体系,选取了固液相平衡计算模型—Van′t Hoff方程简式,利用由苯、甲苯和C_(8)芳烃组分组成的二元和三元体系固液相平衡文献值对模型进行考察,并利用该模型预测了对二甲苯-间二甲苯-邻二甲苯-乙苯四元体系、对二甲苯-间二甲苯-邻二甲苯-苯四元体系、对二甲苯-间二甲苯-邻二甲苯-乙苯-甲苯五元体系、对二甲苯-间二甲苯-邻二甲苯-乙苯-苯五元体系和对二甲苯-间二甲苯-邻二甲苯-乙苯-甲苯-苯六元体系,以及较低温度下对二甲苯-间二甲苯-邻二甲苯三元体系的固液相平衡数据。结果表明:采用Van′t Hoff方程简式计算,由苯、甲苯和C_(8)芳烃组分组成二元体系的液相摩尔分数的平均相对偏差为2.72%,低共熔点温度的偏差最高为0.59℃,最低为0.01℃,表明所选模型适用于由苯、甲苯和C_(8)芳烃组分组成的体系固液相平衡计算;利用Van′t Hoff方程简式预测的固液相平衡数据可为由苯、甲苯和C_(8)芳烃组分组成的体系固液相平衡数据测量和有关研究、设计、模拟优化提供理论指导。

上海地铁车站客流数据预测方法研究

针对上海地铁车站客流统计系统中的客流数据预测问题,首先,以城市轨道交通的自动售票系统(AFC系统)作为数据基础;其次,基于随机森林与BP神经网络2种经典预测模型进行客流数据预测;最后,利用MAE、RMSE和R 2等3种不同的评价指标,将不同预测值与真实值进行对比分析。结果表明,随机森林算法的预测结果更优,更适合用于上海地铁车站客流预测,且预测精度均可达到90%以上。

苯和二甲苯体系固液相平衡的数据预测与相图

针对对二甲苯装置结晶单元中由苯和二甲苯组成的相关体系,选取了固液相平衡计算模型—Van't Hoff方程简式,利用与苯和二甲苯有关的二元和三元体系固液相平衡文献数据对该模型进行考察,利用该模型预测由苯和二甲苯组成的二元和三元体系的固液相平衡数据,并绘制三元体系的固液相平衡相图。结果表明:采用Van't Hoff方程简式计算,苯和二甲苯有关体系的液相摩尔分数的平均相对偏差为2.69%,低共熔点温度的偏差最高为0.59℃,最低为0.01℃,表明所选模型适用于由苯和二甲苯组成的体系固液相平衡计算;利用该模型预测苯-间二甲苯、苯-邻二甲苯二元体系及对二甲苯-间二甲苯-苯、对二甲苯-邻二甲苯-苯、间二甲苯-邻二甲苯-苯三元体系的固液相平衡数据,绘制了对二甲苯-间二甲苯-苯三元体系的固液相平衡相图,这些新的相平衡数据和相图均未见有文献报道,可为对二甲苯结晶相关体系的固液相平衡研究提供理论指导和依据。

基于神经元网络的数据预测处理方法在雷达液位计开发中的应用

目前雷达液位计在测量到原始数据后,会对原始数据进行简单的均值滤波、平方差剔除等简单必要的数据处理,方法依据原理都是围绕已知数据偏差进行统计分析,但该处理方法存在诸多弊端,未能适应更复杂恶劣的测量环境需求。本文基于神经元网络预测模型方法,提出了一种更具有活力、前瞻性、稳定性、实时性的雷达液位计数据处理流程方法,并在实际工程中取得长时间应用验证,为雷达液位计在更广阔、更恶劣的应用环境使用打下了坚实的基础。

大数据预测的伦理困境与出路

立足海量信息资源与尖端分析技术的大数据预测模型在有效指导商业决策、优化资源分配、降低管理成本并提升教育科研水平的同时,存在结果预判挑战自由、隐私披露挑战尊严、信息垄断挑战公平、固化标签挑战正义等伦理背反问题。亟待通过健全以尊重原则、橡皮原则、无害原则、可持续发展原则等为核心的后现代数据伦理体系,有效表达各方自由意志并平衡利益冲突、顺利传承良善伦理观念、实现大数据生态系统的良性循环、推动人类生存价值与自然永续发展的和谐共进。

基于张量分解的卫星遥测缺失数据预测算法

卫星健康状况监测是卫星安全保障的重要基础,而卫星遥测数据又是卫星健康状况分析的唯一数据来源。因此,卫星遥测缺失数据的准确预测是卫星健康分析的重要前瞻性手段。针对极轨卫星多组成系统、多仪器载荷以及多监测指标形成的高维数据特点,该文提出一种基于张量分解的卫星遥测缺失数据预测算法(TFP),以解决当前数据预测方法大多面向低维数据或只能针对特定维度的不足。所提算法将遥测数据中的系统、载荷、指标以及时间等多维因素作为统一的整体进行张量建模,以完整、准确地表达数据的高维特征;其次,通过张量分解计算数据模型的成分特征,通过成分特征可对张量模型进行准确重构,并在重构过程中对缺失数据进行准确预测;最后,提出一种高效的优化算法实现相关的张量计算,并对算法中最优参数设置进行严格的理论推导。实验结果表明,所提算法的预测准确度优于当前大部分预测算法。

基于机器学习的时序数据预测方法研究综述

机器学习作为大数据时代实现数据分析及挖掘的主要工具被广泛研究及使用。时序数据预测一直是数据挖掘中的重点及难点,基于机器学习的时序数据预测方法主要分为线性预测方法和非线性预测方法。线性预测方法计算简单,容易建模,适用于短期的时序数据预测;非线性预测方法涵盖广泛,能够很好地捕捉时序数据之间的非线性关系,能够更好地对时序数据进行预测。本文将以股票时序数据预测为例,对时序数据预测方法进行详细介绍,重点分析非线性预测方法,并探讨其未来的发展趋势。

一种基于光电经纬仪的数据预测跟踪技术

针对光电经纬仪上的跟踪器,提出了一种基于合成角数据的预测跟踪技术.利用目标的前几帧脱靶量和对应的经纬仪角度信息计算合成角,再以前几帧合成角数据为依据,利用线性动态模型推导出下一帧的合成角信息,计算出目标在图像中的位置,从而实现了对目标的预测跟踪.实验证明,该方法可以实现预测跟踪,减小处理区域,提高跟踪器的处理速度,有效地避免波门外虚假目标的干扰.

用体外代谢数据预测临床上药物体内代谢性相互作用

用体外代谢数据可以预测临床上药物体内代谢的相互作用。本文介绍其中一些重要概念、预测模型、方法及影响预测准确性的因素。