基于体验记忆模型的服务触点优化策略研究

目的将体验记忆模型应用于服务触点的优化研究,结合体验与记忆两个因素筛选需优化服务触点(即威胁触点),建立基于体验记忆模型的服务触点优化策略。方法首先,基于特定服务系统梳理并确定用户群,建立用户画像。基于行为追踪获取服务触点,并采取量表法对服务触点进行体验评价。其次,根据艾宾浩斯遗忘曲线确定记忆评分的3个时间点,选取定量用户并分别对服务触点进行记忆评分,结合服务触点体验评价构建体验记忆分区图,明确服务系统中的威胁触点。最后,结合用户需求,提出威胁触点的优化建议,并最终完成服务触点原型输出。结果以公园骑行服务触点优化为例证,验证了该策略的可靠性。结论体验记忆模型可有效筛选服务触点,提高设计效率,降低服务优化成本。

基于鲸鱼优化算法的长短期记忆模型水库洪水预报

洪涝灾害是世界主要自然灾害之一,优化洪水预报方案对防洪决策至关重要,然而传统水文模型存在参数多、调参受人为因素影响,泛化能力弱等问题。针对上述问题,本文提出基于改进的鲸鱼优化算法和长短期记忆网络构建自动优化参数的WOA-LSTM模型,通过优化神经网络结构进一步增强该模型的稳定性和精确度,并且建立不同预见期下的洪水预报模型来分析讨论神经网络结构与预报期之间的关系。以横锦水库流域1986-1997年洪水资料为例,其中以流域7个雨量站点的降雨以及横锦站水文资料为输入,不同预见期下洪水过程作为输出,以1986-1993年作为模型的率定期,1994-1997年作为模型的检验期,研究结果表明:(1)以峰现时差、确定性系数、径流深误差和洪峰流量误差作为评价指标,相比较于LSTM模型和新安江模型对检验期的模拟结果表明WOA-LSTM模型拥有更高的精度、预报结果更稳定;(2)结合置换特征值和SHAP法分析模型特征值重要性,增强了神经网络模型的可解释性;(3)通过改变神经网络结构在一定程度避免由于预见期增加和数据关联性下降而导致的模型预报精度下降的问题,最终实验表明该模型在预见期1~6 h下都可以满足横锦水库的洪水预报要求,可以为当地的防洪决策提供依据。

长短时记忆网络与新安江模型耦合的降雨径流模拟性能

深度学习技术在降雨径流模拟方面具有广阔应用前景,但受训练样本限制,需与传统水文模型相耦合,由传统水文模型提供训练数据。耦合数据的选择和超参数方案对耦合模型的模拟性能影响显著,但尚未有专门的研究。本文以东湾流域为例,用双向长短时记忆网络耦合新安江模型不同模块数据,并用灰狼优化算法优化超参数,构建降雨径流模型。结果表明:模型耦合不同数据时,对日径流和场次洪水的模拟性能均有提高,尤以耦合产流量和模拟流量数据时最为明显。不同耦合数据需调整超参数方案,灰狼优化算法可满足需求。本研究为提高耦合模型径流模拟能力提供了新思路和新方法。

基于记忆模型的日语指示用法再构建——以“この/その/あの”的语境指示用法为中心

本文以名词为先行词的语境指示用法为研究对象,在话语管理理论视域下,基于记忆模型构建语境指示用法模型:语篇中导入的要素最初进入说话人的短期记忆储存库里,如果说话人无法确定该要素,那么该要素只能停留在短期记忆库里。但是,如果在长期记忆库里储存有相同要素,那么导入短期记忆的要素与长期记忆的该要素之间就会建立链接。基于此模型,日语指示词中,对于只存在于短期记忆内的要素用「そ」指示词进行指示,对于长期记忆里的要素用「あ」指示词进行指示,而「こ」指示词则是当说话人将长期记忆内的要素仿佛浮现在眼前似的进行直接描述时使用。该研究摒弃了传统的“听话人知识领域”这一概念,从认知心理学角度对语境指示用法进行了考察,有助于了解说话人和听话人在交流中的认知过程,揭示人类语言处理的基本机制。

基于长短期记忆模型与二叉树模型的企业碳资产价值评估

管理碳资产、参与碳市场、提升碳资产价值是企业提升能源利用效率,实现“双碳”的关键。当前我国碳市场交易产品主要是碳配额和国家核证自愿减排量,本文以上述两种碳交易产品为主要研究对象,综合考虑影响企业碳资产价值的因素与对比各种预测模型后,选取长短期记忆网络(LSTM)和二叉树模型对企业参与碳市场的主要交易价格进行预测,构建企业碳资产价值评估模型,并通过实例验证该模型的有效性。研究发现,通过对企业碳资产价值的量化评估,能够判断企业在碳交易市场上是否具有价值,实现碳资产价值利用最大化。针对企业提出优化碳资产价值评估方法、提升碳资产价值、实现双碳目标的建议,以期为企业提供参考。

基于长短期记忆模型的跟车距离预测研究

当前不少前向碰撞预警系统以预警距离作为预警的特征量对驾驶人进行预警,因此,提高对跟车距离的预测准度能够直观有效提高该前向碰撞预警系统的预警能力。研究通过驾驶模拟器构建跟车场景,收集了41名驾驶员的跟车行为数据,按照3:1的比例将试验数据划分为训练集和测试集。将驾驶人的跟车距离与速度作为长短期记忆模型的输入,跟车距离作为模型的输出,对驾驶人的跟车距离进行了预测分析研究。结果表明,利用该数据集的模型能够很好的预测驾驶人的跟车行为,泛化性能较好,没有过度拟合现象。并且通过输入不同时间窗口长度的测试集发现,随着测试集长度的降低,预测结果的误差会更大。能够为提高前向碰撞预警系统的精准度提供理论支持,从而增加驾驶员对预警系统的接受度。

基于注意力卷积长短时记忆模型的城市出租车流量预测

为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效提升交通时空特征的提取能力。同时,引入专门的学习元件考虑外部因素和POI密度对交通流量的影响,并利用北京市出租车轨迹数据验证。结果表明:ACLR模型在城市交通流预测中的精度高于差分自回归滑动平均(ARIMA)模型、长短时记忆(LSTM)网络、深度时空残差网络(ST-ResNet)、卷积神经网络(CNN)-残差神经单元-LSTM(CRL)循环神经网络、ACFM等模型,在无POI密度和考虑POI密度的情况下,均有助于提升模型的预测性能,ACLA模型的预测值与真实值基本一致,高峰时段也能与真实值较好地吻合,有效提升交通时空特征的提取能力,降低预测误差,使得交通流量预测性能得到优化。

基于关键特征排序的可解释碳排放预测模型

提出基于关键特征排序的可解释碳排放预测模型(EEMD-LSTM-ATT),选取人口总数、城镇化率、第一产业国内生产总值、第二产业国内生产总值、第三产业国内生产总值与进出口贸易总额这6个变量,以非线性预测能力强的长短时记忆网络为基线模型,采用注意力机制提取影响因素与时间属性的权重信息。结果表明:该模型一方面能够抑制模态混叠的产生,减少数据非线性对于模型预测带来的影响;另一方面能够解释不同时间属性与不同影响因素对于碳排放的重要性程度,使得预测结果具备可解释性;将影响因素与时间属性的权重信息加入模型的训练过程能够促进碳排放影响因素与模型预测有机结合;本文方法可实现高精度碳排放预测,均方根误差为3.772,平均绝对误差为3.416,拟合优度为0.880。

Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

基于LSTM模型的船舶材料成本滚动预测

船舶建造周期长、材料成本占比大,易受大宗商品价格指数和汇率等多个因素的影响,造成实际完工成本与报价估算存在较大误差的情况。采用灰色关联分析(Grey Correlation Analysis,GCA)方法识别材料成本的影响因素,基于长短期记忆网络(Long Short-Term Memory,LSTM)模型构建船舶材料成本滚动预测模型,并使用某造船企业53艘64000 t散货船63个月的材料成本数据和对应的影响因素数据进行试验分析。结果表明,预测数据与实际数据误差在可接受范围内,可证明所选择方法和构建模型的有效性。研究结果对制造过程的成本实时预测和控制具有现实意义。

基于检验检测-服务质量-长短期记忆网络-情感分析模型的检验检测服务质量评价研究

为促进检验检测(IT)业服务质量提升,以检验检测服务质量(QoS)评级和用户服务需求为切入点,采用基于长短期记忆网络(LSTM)的深度学习方法进行用户情感分析(SA),识别用户对检验检测服务质量在各个评价维度上的情感倾向,设计由有形性、可靠性、响应性、安全性和移情性5个维度构成的评价体系,通过ITQoS-LSTM-SA模型对检验检测服务机构服务质量进行评价与反馈,并利用7万多条相关文本数据进行实证。结果显示:LSTM模型在检验检测用户评论分类中的准确率达到了85.24%,检验检测服务质量的总评分为0.491 6,处于满意和非常满意程度之间。基于IT-QoS-LSTM-SA模型,可以直观地看出检验检测服务质量在各项评价指标上的优劣程度。

基于LSTM模型的无线物联网设备识别方法

随着无线物联网(Internet of Things,IoT)业务的兴起,海量设备的接入,无线网络受攻击的可能性大大增加,无线IoT设备的安全问题越来越重要。提出了一个基于深度机器学习长短期记忆(Long Short-Term Memory,LSTM)模型的无线IoT设备识别方法,用于甄别非法入侵的设备或者发现已经被入侵后通信异常的设备。所提方法的创新点在于通过深度机器学习对IoT设备公开传输的帧头信息进行分析识别,而不必深入分析承载信息,不依赖于易被修改和伪装的IP地址等身份信息,因此不受通信信息加密的影响,也不受各类伪装地址及其他入侵方法的影响。所提方法的应用可以自动快速地识别出非授权设备或者被入侵的授权设备,更好地保障网络安全。

基于工作记忆模型的老年康复类产品界面层级设计研究

为改善老年人康复训练体验,加强老年康复类产品界面层级间联系的科学性与紧密性,顺应老年人记忆认知规律与操作习惯。文章根据工作记忆理论及模型特点,以及老年人在使用康复类产品时存在的问题与障碍,研究分析康复类产品界面层级设计思路,即基于工作记忆模型里中枢执行系统、视觉空间模板和情景缓冲器三个阶段的界面层级设计思路,运用信息编码的方法进行系统化组合,构建界面层级框架。希望通过文章的研究,能够提升老年人与康复类产品界面交互过程中的使用体验。

基于图神经网络和长短期记忆模型的房价预测方法

针对目前仅单独考虑价格序列中样本的趋势或仅考虑多个关联属性与价格间的函数关系,而不能更准确地进行房价预测的问题,构建了时空注意力图卷积长短期记忆模型AG-LSTM,包含局部特征提取模块、区域特征提取模块、复合预测模块。局部特征提取模块分别使用同构图和异构图神经网络提取各小区及价格关系属性、各小区和配套邻居节点相关性的特征信息;区域特征提取模块先对邻近小区节点进行聚类,再结合图注意力网络获得小区节点对所属区域的重要性程度,建立区域与小区之间的映射矩阵,根据小区节点信息和映射矩阵得到区域特征;复合预测模块使用长短期记忆模型对由局部特征和区域特征组成的复合特征进行时序建模,实现房价预测。以链家网北京房价数据进行了实验,结果表明AG-LSTM预测结果优于已有基线模型。该模型同时挖掘了小区间位置关系、小区与其配套间位置关系、多个关联属性、价格时序趋势对房屋价格的影响,较好地实现了房屋价格的预测。

SBAS-InSAR技术融合CNN-LSTM模型的矿区开采沉陷监测与预测

针对传统矿区开采沉陷监测方法耗费人力财力和预测预警模型较少的问题,研究提出一种基于短基线集合成孔径雷达干涉测量(Small Baseline Subset-Interferometry Synthetic Aperture Radar,SBAS-InSAR)技术和卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的矿区开采沉陷监测预测方法。首先,利用SBAS-InSAR技术对建新煤矿进行矿区开采沉陷监测,获取了该矿区的年平均沉降速率和累计沉降值。用GNSS监测数据与SBAS-InSAR结果进行对比验证,其拟合效果较好。其次,在此基础上利用CNN-LSTM模型预测后6期沉降数据,其结果与CNN和LSTM预测结果进行对比。研究显示,CNN-LSTM模型的平均绝对误差(S_(MAE))和均方根误差(S_(RMSE))比单一的CNN和LSTM分别至少降低了44.8%和40.6%,其决定系数均高于98%。最后,进一步预测前6期和中6期沉降数据,验证了CNN-LSTM预测模型在时间上的一致性。因此,SBAS-InSAR融合CNN-LSTM模型在类似矿山开采沉陷监测和预测中有较好的应用前景。

基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究

热电偶在动态温度测量时由于热惯性存在动态误差。为补偿热电偶的动态误差,提出一种基于自回归与长短期记忆网络混合模型的补偿算法。该算法通过自回归模型对热电偶动态响应进行辨识,再由长短期记忆网络作为非线性补偿器校正动态误差。采用不同强度的高斯白噪声模拟噪声环境,仿真构建热电偶模拟测量数据集。在模拟测量数据集上对算法做验证。计算结果表明,该算法在不同噪声环境下均能有效地减少动态误差。搭建热电偶动态温度测量实验平台,以K型镍铬/镍硅热电偶为实验对象,取得实验测量数据集。实验和计算结果表明,经算法补偿后的热电偶动态响应得到改善,平均动态误差为0.0028,标准差为0.0102。

SQL-to-text模型的组合泛化能力评估方法

数据库的结构化查询语言(SQL)到自然语言的翻译(SQL-to-text)能提高关系数据库的易用性。近年来该领域主要使用机器学习的方法进行研究并已取得一定进展,然而现有翻译模型的能力仍不足以投入实际应用。由于组合泛化能力是SQL-to-text模型在实际应用中提升翻译效果的必要能力,且目前缺少对此类模型组合泛化能力的研究,因此提出一种SQL-to-text模型的组合泛化能力评估方法。基于现有的SQL-to-text数据集生成大量SQL和对应的自然语言翻译(SQL-自然语言对),并按SQL-自然语言对所含SQL子句的个数将其划分为训练数据与测试数据,使测试数据中的SQL子句皆以不同的组合方式在训练数据中出现,从而得到可评估模型组合泛化能力的新数据集。评估结果表明,该方法对查询知识的使用程度较高,划分数据的方式更加合理,所得数据集符合评估组合泛化能力的需求且贴近模型的实际应用场景,受到原始数据集的限制程度更低,并证实现有模型的组合泛化能力仍需提升,其中针对SQL-to-text任务设计的关系感知图转换器模型组合泛化能力最弱,表明原有的SQL-to-text数据集对组合泛化能力的考察存在欠缺。

基于PSO-LSTM模型的地热储层温度预测研究

预测不同深度地热储层的温度是确定热储的热能储存量、热输出能力和可持续利用期限等参数的关键。针对不同约束条件下的热储温度预测问题,建立了一种基于粒子群优化算法(PSO)的长短时记忆网络(LSTM)的热储温度预测模型,对共和盆地恰卜恰地区地热井进行了预测,并通过与BP模型、LSTM模型的预测结果对比,验证该模型的有效性。结果表明,该模型预测结果的均方根误差(RMSE)、平均绝对百分误差(MAPE)、平均绝对偏差(MAD)值与BP、LSTM模型相比均最小,且RMSE最小值仅为1.192。该模型预测值与真实值的相关性系数为0.929,说明该模型的预测效果好,能实现地热系统储层温度的高效预测,为地热系统高效长久开发提供科学依据。

面向有限传感器的建筑冷负荷深度学习预测模型构建

建筑冷负荷准确预测是实现建筑空调系统基于模型的优化控制和建筑节能的重要基础。面向实际建筑建立准确的冷负荷预测模型是一个十分困难的系统工程,包括传感器安装、数据的通信和读取、数据预处理和模型识别。在实际工程中,传感器安装数量和种类有限或者运行过程被损坏使得获取必要的模型识别数据十分困难,同时实际建筑复杂的现场情况使得建立物理模型困难。针对以上2个问题,本文构建了面向有限传感器的建筑冷负荷预测深度学习模型,并结合实际案例,分析了冷负荷的主要影响因素,采用传感器替代、补充和数据插值的方法构建模型输入集,利用长短期记忆模型建立了高性能的冷负荷预测模型,并分析了不同特征量输入集下的模型性能。在烟厂厂房的冷负荷预测中,利用本文构建的冷负荷预测模型识别流程建立的长短期记忆模型的平均绝对百分比误差(MAPE)为9.09%。

顾及时差特征的LSTM模型余水位短期预报

目前余水位预报都是采用单站方式,仅基于余水位的自相关性。针对较大范围的沿岸验潮站余水位预报,进一步结合余水位的空间强相关性和站间余水位的时差信息,以“预测站-辅助站”验潮站组的形式,由历史同步余水位数据训练多变量LSTM(long short-term memory)长短期记忆网络模型,实现预测站的余水位预报。渤海沿岸四个长期验潮站的实例分析表明:所提的预报方法因增加利用了时域上的时差信息,预报精度优于三类单站方法,并显著增大了预报时长。方法可用于解决大范围航海动态水位保障中的余水位预报问题。