基于改进BCCSA和深层LSTM的空气质量预测方法

现有的空气质量预测方法很少考虑季节性因素,且预测的效果不佳,因此提出一种基于改进二元混沌乌鸦搜索算法(Binary Chaotic Crow Search Algorithm,BCCSA)和深层长短期记忆神经网络(Long Short Term Memory,LSTM)的空气质量预测方法。首先提出季节调整的方法对收集的原始空气质量数据进行预处理,以消除季节对预测的影响;然后提出改进BCCSA,对空气质量数据进行优化处理;最后,将自注意力机制加入到深层LSTM中,对空气质量数据进行预测。实验结果表明,该方法能有效地提高空气质量的预测精度。

一种基于深度LSTM和注意力机制的金融数据预测方法

随着互联网的迅速发展,金融市场每日产生了大量在线金融数据,如每日的交易次数以及交易的总金额等。近年来金融市场数据的动态预测成为了研究热点。金融市场数据量大,输入序列较多,且会随着时间发生变化。针对这些问题,文中提出了基于深度LSTM和注意力机制的金融数据预测模型。首先,该模型能处理复杂的金融市场数据输入,主要是多序列的输入;其次,该模型使用深度LSTM网络对金融数据进行建模,解决了数据间长依赖的问题,并能学习到更加复杂的市场动态特征;最后,该模型引入了注意力机制,使得不同时间的数据对预测的重要程度不同,预测更加精准。在真实的金融大数据集上的实验表明,所提模型在动态预测领域具有准确性高、稳定性好的特点。

CapsNet融合D-BiLSTM的区域复杂路网交通速度预测

针对交通模式复杂和动态的时空相关性导致现有预测方法在结构深度和预测尺度方面不足以学习交通演变的问题,提出了一种结合胶囊网络(CapsNet)和深层双向LSTM(DBiLSTM)的深度学习模型。该模型采用CapsNet识别路网的空间拓扑结构并提取空间特征,融合D-BiLSTM网络,同时考虑交通状态的前向和后向依赖关系,捕获不同历史时期的双向时间相关性,对目标区域内大规模复杂路网的交通进行预测。在真实交通路网速度数据集上进行的实验表明:提出模型的预测精度平均提高了10%以上,优于其他方法,在区域复杂路网的交通预测中具有较高的预测精度和良好的鲁棒性。