基于深度森林的高铁站室内热舒适度等级预测

对于高铁站这类半封闭半开放空间的室内环境热舒适度等级难以准确预测的问题,提出基于深度森林(DF)的深度学习方法对热舒适度等级进行科学预测。首先基于现场调研和Energy Plus平台对高铁站室的热交换环境进行建模;其次提炼出客流密度、多联机开行台数和多联机设置温度等8个影响因素,并设计424种工况以获取海量数据;最后采用DF挖掘热舒适度与影响因素之间的关系,以对高铁站室内热舒适度等级进行预测。采用深度神经网络(DNN)和支持向量机(SVM)作为对比算法进行验证。实验结果表明,在3种模型中,DF在预测正确率和weighted-F1上表现最佳,DF的预测正确率最高达到99.76%,最低为98.11%。因此,DF能够有效预测高铁站室内的热舒适度等级。

基于熵权法的评价模型构建

本文主要研究了熵权法的基本原理,并利用熵权法构建了评价模型,通过最后的打分来判断评价对象的情况。为了保证评价模型的准确性,我们对评价指标用层次分析法对评价因素的选取进行了优化,最终再利用熵权法进行建模。

烘烤中烟叶生理生化变化及其影响因子研究进展

烘烤是烟叶生产中关键的一环,在提高烟叶质量和效益中扮演着重要的角色。烘烤过程中烟叶从鲜叶到烤干、烤黄和烤香的烤后烟叶发生了一系列的生理生化反应。综述了2004~2009年烘烤中烟叶生理生化变化及其影响因子的研究进展,对今后的研究和应用趋势进行了简要展望,以促进国内对烟草烘烤环节的研究。

安全生产管理关键性问题的探讨

提高安全生产管理水平关键在于明确职责，增强意识，理顺关系，强化管理。

基于VMD-EWT-QWLSTM-TPE深度学习模型的超短时物流需求多步预测

超短时物流需求预测是企业物流资源智能调度的重要基础,然而,超短时物流需求数据具有强随机性、高波动性、非平稳性等特征,进行多步精确预测较为困难.基于此,构建基于串行数据分解和量子加权深度网络的超短时物流需求多步预测模型.首先,通过变分模态分解(VMD)和经验小波变换(EWT)的串行分解方法对超短时物流需求数据的时序特征进行有效提取,以剥离噪声信号,降低原始数据的非平稳性和随机性;然后,构建量子加权长短期记忆神经网络(QWLSTM)深度学习模型,设计多输入多输出策略对分解后的模态分量进行多步预测,并基于树形Parzen评估器(TPE)对QWLSTM的超参数组进行优化;最后,对各模态分量的预测结果进行重构.实验结果表明,所提出模型在平均绝对值误差(MAE)、均方误差(MSE)、加权平均绝对百分比误差(WMAPE)、校正决定系数(R2)方面,均优于其他15种对比模型.

基于EEMD-LMD-LSTM-LEC深度学习模型的短时物流需求预测

短时物流需求预测是智慧物流系统的重要组成部分.由于短时物流需求数据具有非平稳性、强随机性、局部突变、非线性等特征,精确预测较为困难.对此,考虑集成经验模态分解(EEMD)、局部均值分解(LMD)、长短期记忆网络(LSTM)以及考虑局部误差校正(LEC),提出用于短时物流需求预测的EEMD-LMD-LSTM-LEC深度学习模型.该预测模型分为两个阶段:第1阶段基于特征分解和特征提取,构建EEMD-LMD-LSTM模型,以降低非线性的原始短时物流需求不平稳及随机变化导致的预测误差;第2阶段构建局部误差校正模型,用于校正第1阶段的预测结果,以减少短时物流需求的局部突变带来的预测误差.实验结果表明,EEMD-LMD-LSTM-LEC短时物流需求预测模型在均方根误差、绝对误差均值、绝对误差百分比和校正决定系数方面,均优于其他11种对比模型,其中包括:数理统计模型—–ARIMA;浅层机器学习模型—–支持向量回归和BP神经网络;深度学习模型—–LSTM和卷积神经网络;组合模型——深度置信网络-LSTM、经验模态分解(EMD)-LSTM、EEMD-LSTM、LMD-LSTM、EMD-LMD-LSTM和EEMD-LMD-LSTM.