基于SBF-Elman的EV短期负荷预测研究

针对EV(electric vehicle,电动汽车)短期负荷数据中异常数据造成预测偏差,提出顺序分支筛选法结合Elman的EV短期负荷预测方法,简称SBF-Elman(Sequential branch filtering-Elman)。首先分析EV短期负荷预测研究现状和影响EV充电负荷因素,介绍了SBF-Elman应用于负荷预测原理,构建了EV等效负荷模型,求得等效负荷序列。选取广东省某市2018年5月份的EV的负荷数据和构建的等效负荷序列,进行Elman训练和预测。实验结果表明,该方法规避了原始负荷中的因突发事件所产生的异常数据造成的预测偏差,预测精度提高了3%,预测时间提高2.13s,为EV优化调度的工作奠定了基础。

基于K-prototype聚类算法恐怖分子嫌疑度的划分

当今,恐怖分子作案的多样性和复杂性给相关机构的破案大大增加了难度,如何迅速简便地发现隐藏的恐怖分子,是安全机构最为关心的问题。本文基于K-prototype聚类算法,依据恐怖事件发生的数据特征,运用SPSS软件对此数据进行标准化处理,得出恐怖分子典型事件的嫌疑度样例的特征向量,通过Python进行聚类分析,得到五类别聚类中心分布图。实验结果验证了方法的可行性与有效性,为安全机构对恐怖分子嫌疑度的划分提供了一种分析方法。

基于Bi-LSTM的EV充电负荷预测

针对电动汽车(Electric Vehicle,EV)充电负荷序列较强的随机性和间歇性而导致预测准确度不高的问题,利用双向长短期记忆网络(Bi-Long Short-Term Memory,Bi-LSTM)善于处理时间序列数据的特点,提出一种基于Bi-LSTM的EV充电负荷预测方法。验证了基于Bi-LSTM的EV预测模型比LSTM和ARMA预测模型具有更高的准确性,可为EV优化调度提供辅助决策。

探究制止中职生沉溺于手机网络的方法

针对当下中职生沉溺于手机网络严重影响到学习的现状,作为一线教育工作者有必要研究学生沉迷于手机网络的现象和原因,通过调查分析后,阐明了手机网络对中职生的主要危害,进而采用文化陶冶、榜样激励、加强自我管理和综合管理的三种方法来培养学生的责任心和进取心,唤醒中职生的自我教育意识,从而有效制止整体学生沉溺于手机网络的病态行为,进而引导学生身心回归课堂。