基于会话嵌入的应用程序使用预测

如今,智能手机用户在他们的手机上安装了几十个甚至上百个应用程序。预测应用程序的使用不仅有助于手机系统加快应用程序的启动,也能够减少用户寻找所需应用程序的时间。关注一种新颖的基于会话的应用程序的使用预测问题,即预测一段时间内将使用的一系列应用程序,提出了一个基于会话的嵌入框架(简称SEM)。针对应用程序会话的可变长性与会话语义上的异构性,提出了一种会话嵌入方法,形成了统一的特征表示,缓解了用户稀疏性的问题,得到了会话的向量表示;基于会话的嵌入表示,训练了一个2层的循环神经网络模型,用于应用程序使用会话的预测。基于真实数据集的大量实验结果表明,该框架优于传统的应用推荐方法。

清开灵等清热解毒类注射剂的使用预测及预算影响分析

目的:通过对清热解毒类注射剂进行使用预测及预算影响分析,为临床选择经济适当的药品提供依据。方法:利用指数平滑法,对清热解毒类注射剂药品费用和使用量进行预测。构建预算影响分析模型,测算两种市场情形下的药品费用。结果:按现有市场推算,2015年中国清热解毒类注射剂总费用约150亿元,2020年将增至227.79亿元,年平均增幅8.71%;2015年中国清热解毒类注射剂总使用量为67.71(百万人/天),2020年将增至98.26(百万人/天),年平均增幅7.73%。在假设市场情形下,6年共可节约455.50亿元药品费用。结论:中国清热解毒类注射剂年度总费用及使用量增长趋势明显。如果2015-2020年8种清热解毒注射剂的市场用量份额能够恢复到2008年的水平,由于清开灵注射剂相对较低的日治疗费用,将能有效降低药品费用。

增量学习的优化算法在app使用预测中的应用

随着智能手机中app数量的不断增加,准确查询目标app渐趋困难.目前利用历史用户数据预测手机系统下一个使用的app算法存在两类问题:一是部分算法因未考虑训练数据日益递增,导致预测结果的准确度随时间增加而降低;二是虽然考虑到了增量数据,但增加了因增量数据而重新建模的时间,导致总体耗时增加.为减少建模时间,本研究提出Predictor预测系统,利用优化后的增量Ik NN模型为用户提供app使用的预测功能.通过学习app特征的上下文关系,设计了聚类有效值(cluster effective value,CEV)策略,采用多维度特征方法来提高分类的准确度,从而提高预测准确度.实验结果表明,带有CEV策略的Ik NN模型比默认的Ik NN模型拥有更稳定的预测准确度,其应用模型Predictor能减少建模的时间,同时提高预测准确度.

基于GBDT的优惠券使用预测研究

随着互联网在各行各业中的高速发展,网上消费不仅为人们带来了便利,也成为了主流的消费方式,许多商家通过发放优惠券的方式吸引消费者。基于GBDT模型对优惠券使用预测进行研究。首先对客户获取优惠券的记录进行数据预处理;其次进行特征构建;再次将相关联的特征进行拼接;然后进行模型训练;最后对测试样本进行预测和分析,得到我们所需的预测结果,实现对消费者获得优惠券后是否使用进行预测,对预测结果进行分析,达到促进销售、提高客流量的目标。

基于WPSN的智能电网需求管理与家用设备使用预测机制

电力需求管理机制可通过动态定价策略减少各建筑用电高峰时期的用电量。为使此类管理机制更具有可用性与扩展性,本文提出一种方法来预测家用设备的使用以自动获得电力管理机制的输入参数。文中通过无线功率计传感器网络(Wireless Power meter Sensor Network,WPSN)监控家用设备用电消耗,依据人们使用设备的习惯呈现周期性的特点,每24小时处理一次传感器提供的数据来预测次日哪种设备将会使用以及开始使用的时间。仿真与实验验证了预测设备使用的有效性,预测信息为负载需求管理系统自动输入参数,避免了用户复杂的手动设置。

人才使用预测

人才预测是使用的前提,人才预测不准,必然使用不当。过去有的由于忽视人才使用预测,往往带来不良后果。在使用之前,认为条件具备,符合要求,使用合适。但走上新的岗位,尤其担任领导职务,却不能扬其所长,去其所短,无法施展才能。加上“终身制”的影响,干部只能上,不能下;只能进,不能出,有的在其位,不谋其政,阻碍党的工作开展,影响经济建设任务的完成。有的虽经主观努力,欲尽其能,由于某一方面条件限制,也无能为力,力不从心,无法摆脱困境。如果对一个干部作全面了解、预测准确,使用恰当,能尽其才,在新的岗位上就可作出新的贡献。

基于粗糙集理论与PCA-APSO-SVM的沥青路面使用性能预测

针对传统沥青路面使用性能预测精度较低的问题,建立了基于粗糙集理论(rough set,RS)与主成分分析法(principal compoent analysis,PCA)-自适应粒子群算法(adaptive particle swarm optimization,APSO)-支持向量机(support vector machine,SVM)的沥青路面使用性能预测模型。基于沥青路面的时序指标与影响因素指标,建立了11个初始预测指标(包括前3年的路面使用性能、当量轴次、路龄、养护性质、坑槽率、修补率、年降水量、平均气温、日照时数);通过RS属性约减筛选出9个核心指标;利用PCA提取4个主成分,得到了基于4个主成分的数据集;将APSO引入到SVM中,对数据集进行训练,并优化了SVM模型参数;建立了路面使用性能的PCA-APSO-SVM预测模型,并以G6京藏高速甘肃境内某段道路为例,对路面使用性能进行预测。研究结果表明:PCA-APSO-SVM模型预测精度较PCA-PSO-SVM、APSO-SVM、PSO-SVM有较大提高,预测结果与实际情况更加符合,能为路面养护决策提供相关参考。

基于深度神经网络的设备剩余使用寿命预测研究

随着传感器在工业设备上的广泛部署,数据驱动的设备状态预测与健康管理技术逐渐成为工业界和学术界研究的热点。该文针对其中的设备剩余使用寿命预测问题展开研究。利用深度神经网络建立设备剩余使用寿命预测模型的关键步骤,并基于C-MAPSS公开数据集,评价前馈神经网络、卷积神经网络、长短期记忆网络三种典型深度神经网络用于剩余使用寿命预测的性能,实验结果显示考虑时序特征的长短期记忆网络具有显著的性能优势,最后对该方向的发展趋势展开讨论。

基于NGO-CNN-BiLSTM神经网络的动态质子交换膜燃料电池剩余使用寿命预测

为解决质子交换膜燃料电池(PEMFC)剩余使用寿命(RUL)预测精度不高的问题,提出了一种基于北方苍鹰优化(NGO)、卷积神经网络(CNN)和双向长短时记忆(BiLSTM)神经网络的动态燃料电池RUL预测模型。首先,利用NGO对CNN-BiLSTM模型的学习率、隐藏节点及正则化系数进行寻优,然后,通过CNN-BiLSTM模型的卷积层对输入数据进行特征提取,输入到BiLSTM层进行时序建模和预测。同时,利用小波阈值去噪算法对原始数据进行平滑处理,采用皮尔逊相关系数提取模型输入变量,并搭建NGO-CNN-BiLSTM神经网络功率预测模型。仿真验证结果表明,该方法预测精度达99.49%,高于其他对比模型的预测精度。

基于自适应噪声完全集合经验模态分解与BiLSTM-Transformer的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(remaining useful life,RUL)是使用者十分关心的问题,其涉及电池的更换时间和安全。针对锂离子电池的电容量非线性变化趋势,提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer的锂离子电池剩余使用寿命预测方法。首先,利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解。其次,使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测。最后,将预测的若干本征模态分量序列和残差序列进行求和,并对求和之后的最终预测数据与原始数据进行RUL预测。采用NASA公开的电池数据集对所提方法进行验证,结果表明,所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内,能够有效地提高锂离子电池RUL的预测精度。

基于长序列的航空发动机剩余使用寿命预测方法

针对多传感器长序列数据下航空发动机剩余使用寿命预测方法存在预测准确度不足的问题,提出一种基于堆叠膨胀卷积神经网络(SDCNN)的航空发动机剩余使用寿命预测方法。将多传感器长序列数据归一化处理,降低因量纲和取值范围不同引起的误差;构建预测目标函数表征航空发动机的真实退化情况;搭建基于SDCNN的预测模型,扩大模型感受野,提取数据中的长期、深层和全局时序特征用于回归分析,得到航空发动机的剩余使用寿命预测结果;采用Hyperband优化算法和StratifiedKFold交叉验证方法优化模型,提升模型预测准确度和不同条件下的适应性,并采用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提方法的有效性。在C-MAPSS中FD003数据集上的实验结果表明:所提方法可有效提高基于长序列的航空发动机剩余使用寿命预测准确度,模型预测准确度得分指标明显降低32.62%。

基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。

基于迁移学习的滚动轴承剩余使用寿命预测

为解决轴承剩余使用寿命预测模型预测泛化能力低,不能准确预测出未训练轴承剩余使用寿命的问题,本文提出了一种迁移轴承状态知识的剩余使用寿命的方法。利用计算时域、频域特征以及模糊熵作为预测特征,使用“3σ”准则将轴承全寿命过程划分为正常阶段、退化阶段,以实现对退化阶段轴承剩余使用寿命的预测。构建基于门控循环单元的轴承剩余使用寿命预测模型,并使用某一轴承的全寿命周期数据进行训练,使模型学习到新轴承的状态信息。研究表明:相较于未使用迁移学习的方法,其预测所有轴承的轴承剩余使用寿命平均均方根误差减小了52.53%,平均百分比误差减少了68.87%。本文提出的方法可以有效、准确地预测出轴承的轴承剩余使用寿命。

融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测

电动汽车锂离子动力电池健康状态(SOH)衰退过程受使用工况影响存在较多波动,导致模型预测精度下降,在锂电池剩余使用寿命(RUL)短期预测时,SOH波动情况不可忽略,为了准确预测SOH短期内波动情况,须从实车上传的锂电池运行数据中提取有效的健康因子。本文建立一种联合分布特征输入和序列分解融合的锂电池RUL预测方法,使用K-means聚类方法构建车辆锂电池运行过程的联合分布特征,并通过S-G滤波器对SOH衰退曲线进行序列分解,分别使用长短时记忆神经网络(LSTM)和多层感知机(MLP)对趋势部分和波动部分进行预测,融合得到最终预测结果。理论分析和实车采集数据验证表明,融合模型可以在预测车辆锂电池RUL短期衰退趋势的同时预测SOH的波动情况,有较高的短期预测精度。

基于VMD和优化CNN⁃GRU的锂电池剩余使用寿命间接预测

准确预测锂电池的剩余使用寿命(RUL)对降低电池使用风险有着至关重要的作用。为了解决电池容量在实际应用中不易获得以及单一门控循环神经网络(GRU)不能有效提取数据间的深层特征等问题,提出一种基于间接健康因子的混合神经网络模型,即融合变分模态分解(VMD)、一维卷积神经网络(1D‐CNN)和麻雀搜索算法(SSA)优化GRU的组合剩余使用寿命预测模型。采用NASA数据集验证所提模型的有效性,实验结果表明,相比于GRU、VMD‐GRU、VMD‐SSA‐GRU,所提模型具有较高的预测精度与更快的运行速度,可以应用于锂电池RUL预测。

基于Bi-TCN-LSTM的滚动轴承剩余使用寿命预测方法

由于时间卷积网络(temporal convolutional networks, TCN)感知场不足,轴承的关键退化信息常常被忽略,导致轴承剩余使用寿命(remaining useful life, RUL)预测结果不佳;而长短期记忆网络(long short-term memory, LSTM)随着数据量及序列长度的增加,长期依赖问题仍可能得不到很好解决。因此,课题组提出了一种基于双向时间卷积网络和长短期记忆(Bi-TCN-LSTM)的滚动轴承寿命预测方法。首先对多传感器数据进行归一化并做融合处理,然后采用Bi-TCN-LSTM进行数据特征提取与深度学习,其中对TCN模块引入卷积注意力机制(convolutional attention module, CAM),将LSTM的3个门简化为1个门,有效加快了预测模型学习的速度并提高了预测模型的精确度;采用IEEE PHM 2012轴承数据集作为实验数据集,进行了RUL预测实验。结果表明:与其他先进的预测模型相比,Bi-TCN-LSTM方法预测结果的误差相对较低,预测性能较好。

基于PCA-GWO-GRU的锂离子电池剩余使用寿命预测

为了提高GRU神经网络模型预测锂离子电池剩余使用寿命时的准确性,提出基于PCA-GWO优化的GRU模型,并应用于锂离子电池剩余寿命预测。结果表明,与传统GRU模型相比,经PCA-GWO算法优化的GRU模型具有更高的预测精度。预测起始点为原始数据90%时,预测精度达到最大,对应的均方根误差RMSE为0.0049、平均绝对误差MAE为0.0036、决定系数R^(2)为0.9863。

电磁继电器的剩余使用寿命预测方法综述

介绍了电磁继电器剩余使用寿命预测技术的研究现状,系统梳理并比较了现有的电磁继电器剩余使用寿命预测方法,综合评述了灰色系统模型、统计分析与神经网络等多种预测技术的应用,通过梳理近年来的研究文献,总结了各种方法的优势与局限性,以提升电力系统的可靠性。尽管各种方法均能在一定程度上实现电磁继电器剩余使用寿命的预测,但在准确性、适用性以及易用性等方面仍存在显著差异。未来研究的方向为研发集成多种预测技术的混合模型、实时监测数据的实用预测系统,以提高预测的准确性与适用性。

基于Bi-LSTM-Dropout的蓄电池剩余使用寿命预测方法

蓄电池剩余使用寿命预测对能源的安全性和可持续发展至关重要。该文提出一种蓄电池剩余使用寿命的预测方法,利用蓄电池的历史运行数据和充放电周期,构建Bi-LSTM-Dropout网络模型。利用Bi-LSTM提取时间序列中蓄电池长期依赖的特征,采用Dropout优化算法降低Bi-LSTM网络模型的复杂度,提高模型的泛化能力。实验结果表明,该方法在测试集上的准确率达96.2%,实现了蓄电池剩余使用寿命的精确预测。

基于CNN-LSTM的地铁空调控制器剩余使用寿命预测分析

阐述综合考虑地铁空调控制器的特点,构建基于功能层及经济层的空调控制器样本数据集,通过建立CNN-LSTM模型对空调控制器的剩余使用寿命进行预测。实验结果表明,该预测模型准确度较高。