基于改进注意力机制Transformer网络的快消品销量预测方法

销量预测能为企业生产计划、仓储运输提供决策支持,使企业能更好地适应市场需求。快消品销售量受众多因素的影响,具有季节性和周期性规律,传统的线性模型难以准确的预测,本文从长时序列预测的视角,运用深度学习理论,提出了一种基于订单时序和订单频率的改进自注意力机制模型(Sequence-Frequency Transformer,SFTransformer)。首先,基于快消品订单数据构建原始数据集,采用time2vec编码处理订单时序信息,并融合订单数据的时序和频率特征在基于时序的订单数据的不同订单频率分别对应不同的注意力头来关注订单数据的订单时序特征和频率特征;使用Transformer模型架构提取特征进行长时序列预测。在真实数据集上进行对比实验,SFTransformer模型在均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)3项指标上均取得了最佳性能,验证了本文所提方法的有效性。

基于IMHSA-MSCNN-BiLSTM的风机轴承故障诊断

由于风力发电机组的非平稳运行条件和周围恶劣的工作环境,风机轴承故障振动脉冲特征易被随机噪声干扰所淹没,这给准确检测滚动轴承故障造成了挑战。为了降低随机干扰对后续特征提取的影响和算法复杂度,提出了一种改进多头自注意力机制(IMHSA)-多尺度卷积网络(MSCNN)-双向长短期记忆网络(BiLSTM)的风机轴承故障诊断方法。首先,由周期空洞自注意力和局部自注意力组成的IMHSA对特征进行增强,以减少随机干扰影响及特征增强过程中的时间消耗;然后,利用MSCNN-BiLSTM网络提取故障信号中的空间特征与长期依赖特征;最后,经全连接层和Softmax层输出风机轴承故障诊断结果,并采用实验台滚动轴承实际运行数据进行算例分析,通过与领域内其他同类方法的对比,验证了所提方法的有效性和优越性。