基于融合注意力机制LSTM网络的地下水位自适应鲁棒预测

地下水水位是旱天污水管网地下水入渗量的重要影响因素,快速精准地预测地下水水位能有效提升旱天污水管网地下水入渗量估算准确度,辅助优化管网病害治理与维护策略。针对目前城市复杂水文预测存在的准确度低、灵敏度低、泛化能力弱等问题,本文提出了一种新的鲁棒自适应水位预测算法。首先,对水文数据进行预处理,解决了数据时间跨度大、噪声多、缺失及异常、非平稳等问题。其次,针对不同输入特征对预测指标的影响,在模型训练阶段提出一种新的空间变量注意机制,可快速识别与水位关联的关键变量,并对输入特征赋予不同的影响权重。然后,针对不同序列长度对预测效果的影响,还设计了自适应时间注意力机制,帮助网络自适应地找出与不同时间序列长度预测指标相关的编码器隐藏状态,以更好地捕捉时间上的依赖关系。在此基础上,以上下文向量作为输入,提出一种融合注意力机制的长短时记忆网络水文预测算法。最后,通过意大利Petrignano水文数据验证了所提算法的有效性,并与GRU、Elman、LSTM、VA–LSTM和S–LSTM等方法进行预测性能比较。结果表明,基于融合注意力机制的LSTM网络在面临大规模、噪点多的复杂数据时有优于其它几种算法的预测效果,表明该算法具有强自适应性和鲁棒性。本文研究结果可以为市政排水策略合理调整、及时控制提供参考。

基于LSTM网络模型的光伏发电功率短期预测系统

光伏发电受天气因素影响,具有明显的间歇性和波动性特征。该文提出了一种基于LSTM网络模型的光伏发电功率短期预测方法,该方法以STM32单片机为控制核心,实时采集光照辐度、温度、相对湿度、风速等数据。利用相关系数法筛选相关度较高的因素,作为LSTM网络模型的输入变量,对未来光伏发电功率进行短期预测。MATLAB仿真实验结果表明,该文所提方法与其他预测模型相比具有较高的预测精度,在晴天与多云天气下预测的MAPE值分别为4.943%和4.997%,有利于我国电力系统的稳定运行和电网工作人员的调度。

基于LSTM网络的单台仪器地震烈度预测模型

烈度是地震预警系统的关键产出.如何实现快速预测目标场址的地震烈度是地震预警方法技术研究中的核心问题.本文提出了一种基于长短时记忆神经网络(Long Short-Term Memory,LSTM)的单台仪器地震烈度的预测模型(LSTM-Ⅰ).该模型以一个台站观测到地震动参数的时间序列特征为输入,实现动态预测该台站可能遭受的最大烈度.选取了日本K-NET台网记录的102次地震的5103条强震加速度记录训练了神经网络,利用89次地震的3781条数据检验了模型的泛化能力.利用准确率、漏报率以及误报率三个评价指标评价了LSTM-Ⅰ模型的性能.结果表明,当采用P波触发后3 s的序列进行预测时,模型出现漏报的概率为46.78%,出现误报的概率为1.25%;当采用P波触发后10 s的序列进行预测时,模型出现漏报的概率大幅降低到17.6%,出现误报的概率降低到1.14%.结果表明LSTM-Ⅰ模型很好把握住了时间序列中蕴含的特征.进一步基于LSTM-Ⅰ模型评估了Ⅵ度下台站所能提供的预警时间.本文模型能够提供的预警时间与P-S波到时差接近,说明LSTM-Ⅰ模型具有较高的时效性.

基于LSTM网络的机器人异空间手眼标定方法

针对现有机器人操作空间与相机视野异空间的情况,基于长短期记忆(LSTM)网络,提出了一种新颖的机器人异空间手眼标定方法。首先依次提取并记录标定板上各圆心的像素坐标,然后利用传送带将标定板平移送至机器人工作空间内,并记录机器人末端顶针的位姿信息。其次利用LSTM网络数据训练获得手眼映射关系。最后使用采集的36组真实数据作为验证集来验证预测精度。结果表明,该方法训练的模型所预测的机器人基坐标系坐标平均平移误差仅为0.69 mm,并且针对随机分布于传送带所有工作空间中的验证集数据,平移误差波动值均小于1 mm,有效验证了该方法的鲁棒性和有效性。相较于经典平面标定方法,本文所提出的方法有效工作空间大,标定精度高,并且可以有效补偿相机镜头畸变、深度值变化等因素所带来的误差。

基于优化LSTM网络的巷道工作面矿压预测

冲击地压事故作为一种动力效应明显、破坏力强的矿井灾害,其预防方法一直是煤矿安全生产的难题。通过将LSTM神经网络技术与矿压规律进行结合,研究一种基于优化LSTM网络的巷道工作面矿压预测模型,通过对矿压历史数据进行标准化处理后进行LSTM网络训练的方法,实现工作面矿压的预测。现场试验结果显示:该模型对于定点矿压的预测准确率能够达到85%以上,并且能够对不同时段、不同测点的矿压数据进行预测,以表征巷道工作面未来某一时段内的矿压变化趋势,实现预防矿压事故的目的。

基于迁移学习和LSTM网络的光伏系统负荷预测

由于受到太阳辐照度、温度和一些随机因素的影响,光伏发电功率具有较强的间歇性和波动性,很难精确预测。为了提高光伏负荷预测模型的准确性,提出一种基于迁移学习和LSTM网络结合光伏系统负荷预测方法。选择基于参数的迁移学习方式,并考虑到神经网络越到高层提取的信息越专有化,对基于LSTM的PV-DT提出固定第一层参数的迁移方式。研究结果表明,所提光伏系统负荷预测方式可以精确预测正常运行条件下的光伏发电量,并检测光伏系统中存在的故障,从而使检修维护人员可以在最短的时间内采取相应的措施,最大限度地减少由于故障而引起的功率损失,从而提高光伏系统的运行性能。

基于协整方法和LSTM网络的农林板块配对交易研究

以A股沪深两市的农林板块股票作为研究样本,以2021-2024年为实证研究区间,首先,运用协整方程选择在配对期的价格序列上具有共同移动趋势的农林板块股票,然后,对具有协整关系的股票价差序列进行平稳性检验,对于符合平稳性要求的资产对,计算其周度已实现波动率、已实现偏度和峰度,使用LSTM网络预测股票对在短期内的残差收敛水平,最后在测试期对符合条件的资产组合进行模拟交易,将收益率水平与基准收益率进行比较。研究发现,基于协整方法和LSTM网络构建的农林板块配对交易资产组合能够在风险得到控制的同时获得超额收益。

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。

基于Transformer-LSTM网络的轴承寿命预测

轴承是旋转机械设备中的重要部件,由于工况、材质、加工方式等原因,轴承寿命时长相差许多。传统的并行或串行神经网络预测方式,对数据集有一定要求。因此,需要一种能够适用于不同数据长短的轴承剩余使用寿命预测网络。为此提出了一种能够预测不同寿命时长的Transformer-LSTM串并行神经网络预测模型。通过将Transformer解码层进行重构,并与长短期记忆时序神经网络(long short-term memory,LSTM)网络结构融合,实现轴承寿命数据的串并行预测处理。试验结果表明Transformer-LSTM神经网络能够精准预测长、中、短不同寿命时长的轴承失效时间,具有较强的模型泛化能力,提升轴承寿命预测精度与模型的泛化能力。

基于改进狼群算法优化LSTM网络的舆情演化预测

为提高预测舆情演化趋势的能力,提出了一种基于改进狼群算法(IWPA)优化长短期记忆(LSTM)神经网络的舆情演化预测模型。采用Halton Sequence进行初始化,提高种群多样性;设计步长因子进行高斯-正弦扰动变换,提高狼群探索开发能力;结合鲸鱼优化算法中的螺旋改进围攻机制,增强狼群的局部搜索能力;引入记忆力机制,使用双向记忆种群增加狼群协同合作能力,将改进后的狼群算法应用到LSTM神经网络的超参数预测。采用“新冠疫情”和“食品安全”等关键词作为实例,证明了IWPA-LSTM神经网络舆情演化预测模型具有良好的准确性和普适性,适用于多种舆情演化的预测。

基于LSTM网络的大型船舶拖轮辅助自动靠泊分析

为解决大型船舶自动靠泊模型在不良风流条件下表现较差的问题,提出一种基于长短期记忆网络(LSTM)的多拖轮辅助自动靠泊模型。在航海模拟器中进行多次拖轮辅助靠泊操作,并使用船舶靠泊数据训练LSTM自动靠泊模型。该模型以特有的门控机制处理时间序列数据中的长期依赖问题,捕捉船舶运动状态的动态变化,进而提高模型对环境干扰的适应性和鲁棒性。通过输入船舶的实时运动状态信息,利用LSTM的并行处理技术预测并输出下一步的舵角、螺旋桨转速以及拖轮作用力,实现对船舶动态的精准预测。仿真验证结果表明,该模型在不良风流条件下具有较强的鲁棒性。研究成果可为大型船舶拖轮辅助自动靠泊提供一定参考。

基于FS-LSTM网络的船舶运动状态预测

对船舶姿态的准确预测有利于保障船舶航行安全、提高船载仪器的数据质量。针对船舶运动姿态预测与分析问题,将特征选择(Feature Selection,FS)方法与长短期记忆神经网络(Long Short Term Memory,LSTM)相结合,以提高LSTM网络对船舶运动姿态的预测精度,为船舶运动姿态的补偿奠定基础。以船舶运动姿态预测为目标,基于无人艇采集到的包含船舶运动状态信息的数据集,构建并训练了适应性较强的FS-LSTM神经网络预测模型。最终结果表明,本文所提出的方法具有较高的预测精度。

基于改进信息熵和LSTM网络的轴承故障诊断

针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy,IIE)的长短时记忆网络(long-short time memory network,LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition,EEMD)和变分模态分解(variational mode decomposition,VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions,IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明:该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。

基于LSTM网络的浮动单车需求量预测

浮动单车的准确预测是合理投放与规范停放管理的关键.文中以北京市浮动单车为研究对象,从原始数据中筛选出地理位置上均匀分布的虚拟研究区域,利用GPS实时定位数据、天气数据以及地理空间数据,结合Spearman相关性分析方法从空间因素、时间因素、天气因素、骑行因素多角度综合分析浮动单车因素间的相关程度,最终得出比8个影响北京市浮动单车使用的显著相关因素;在此基础上,构建了基于LSTM(long short-term memory)网络的单车需求量预测模型,以准确预测出行时段浮动单车在研究区域内的需求量,并与RNN(recurrent neural networks)网络预测模型和GRU(gated recurrent unit)网络预测模型的预测精度相比较,验证所提方法的有效性.仿真结果表明:基于LSTM预测模型的均方误差值、均方根误差值、R 2值均优于RNN预测模型和GRU预测模型,预测效果更佳,更加适合处理预测这一类的时间序列.

基于LSTM网络的非线性误差修正学习模型的构建

针对部分时间序列具有非线性特征、误差修正模型仍然采用线性回归的局限,文章提出一种融合长短期记忆递归神经网络的误差修正学习模型,该模型利用神经网络的非线性特征和长记忆性,提升了对时间序列的非线性表达能力,同时也改善了神经网络中变量的可解释性。运用该非线性误差修正学习模型对2017—2021年美元指数与黄金价格的非线性联动性进行分析,发现其拟合优度比传统的误差修正模型有显著提高。

基于改进蝙蝠算法优化LSTM网络的短时客流预测

准确地预测地铁站短时客流量,对地铁站通风空调系统的节能优化具有重要意义。充分考虑地铁客流量非线性、随机性、周期性等特点,提出一种基于改进蝙蝠算法(IBA)优化长短期记忆(LSTM)神经网络的短时客流量预测模型(IBALSTM)。引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题;利用改进的蝙蝠算法对LSTM网络的隐含层节点数、迭代次数、初始学习率、学习率下降因子4个参数进行优化;利用西安某地铁站自动检票系统(AFC)采集的客流数据,对模型的有效性进行检验。实验结果表明:该预测模型在均方误差、均方根误差、平均绝对百分比误差等方面均优于标准蝙蝠-LSTM模型、LSTM预测模型、BP预测模型及BP-Adaboost预测模型,所提出的方法可有效应用于短时客流量预测。

基于LSTM网络和文本数据探究投资者情绪对上证50指数收益率的影响

为推进人工智能技术的应用,本文以上证50指数为研究对象,基于文本数据挖掘和LSTM神经网络探究了情绪对市场收益率的影响。利用东方财富股吧2023年1月1日至2023年12月31日上证50指数股票评论数据,基于情绪词典对数据情感倾向进行分类,建立投资情绪指数。为了进一步探究市场情绪指标对股票波动率的影响,建立模型探究我国市场情绪指标对我国上证50指数收益率的长短期影响。研究发现,情绪指数对股票市场的影响具有一定的时滞性,且情绪波动对于股票的影响主要表现在短期,长期来看,情绪对于股票波动率的影响较小。最后,通过构建LSTM深度学习网络,发现深度学习在金融时间序列预测上具有较好的准确率和精确度。

基于LSTM网络和多传感器的母线槽在线监测系统

温升超值和电流过载是母线槽引起火灾的主要原因之一,通过智能传感技术,在母线槽温度异常升高或电流过载发生前发出报警信息,能够大幅度地降低事故率。通过多传感器融合技术的监测系统,同时结合温升、电流等多项数据搭建云监控中心,可以有效地掌控母线槽的温升、湿度、电流及电压的实时情况和运行状态,并将数据采集传输到智能监测管理系统通过LSTM网络进行分析及处理,从而实现母线槽智能化管理和用电安全守护。

基于机器学习LSTM网络的SO_(2)排放浓度预测

CFB机组炉内炉外联合脱硫过程因其非线性、强耦合、大滞后等特点,SO_(2)排放浓度难于在线实时、准确测量,控制效果并不精准,因此建立有效的SO_(2)排放浓度预测模型很有意义。该文采集并分析研究某电厂350MWCFB锅炉现场运行数据,在脱硫系统大样本、数据分布分散、样本函数模糊的情况下,选取影响SO_(2)排放浓度的主要变量,建立基于机器学习的LSTM网络的SO_(2)排放浓度预测模型。结果显示此模型预测精度较高、误差较小,可为控制系统提供可靠参考,有助于提高脱硫系统控制精度,具有一定的工程实用价值。

基于LSTM网络的同步电机励磁绕组匝间短路故障预警

构建了一种LSTM故障预警模型对同步发电机励磁绕组匝间短路早期故障进行预警。以发电机组正常情况下的数据训练LSTM网络,求得正常情况下因变量(励磁电流,定子振动)与自变量(定子三相电压,定子三相电流,励磁电压,有功功率,无功功率)之间的函数关系。将2个输出量进行数据融合,计算正常情况下的总偏移距离,定义预警阈值,当总偏移距离大于预警阈值时判定为故障。实验证明,该模型可以实现励磁绕组匝间短路早期故障的预警。