基于行为识别的课堂深度学习成绩预测模型研究

课堂学习行为智能识别和大数据分析为课堂高阶认知评价带来契机。利用数据技术挖掘学生课堂学习行为对深度学习成绩的影响关系,解决识别与评价课堂高阶认知不足的现实问题。以英语和化学两门学科为例,以课堂学习行为为自变量,以测试试卷深度学习成绩为因变量,通过高斯消元、回代总样本求均方差最优解等算法,分析出课堂“听讲”“阅读”等8种课堂行为对深度学习成绩的权重影响,构建课堂学习行为与深度学习成绩间的预测模型,依据模型可识别和评价学生的高阶认知是否发生,为常态课堂高阶认知规模化评价提供科学依据和技术支撑。

基于深度学习的全球平均表面温度年际信号时间序列的预测

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF)。在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究。结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2~6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变。通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一。

基于多种模型的流量预测研究

6G是下一代无线通信网络的发展方向,6G网络要求更高的峰值数据速率、移动性和更无处不在的智能连接。由于不同的场景和业务需要不同的网络切片(Network Slicing)承载,网络的性能指标各异,对各种资源的需求量也不尽相同,因此需要对网络流量在时间和空间上进行预测。对时空流量建模,并提出了3种以深度学习为基础的流量预测方法:基于深度学习的时空数据预测模型(DeepST)、残差网络(ResNet)模型和卷积长短期记忆网络模型(ConvLSTM),针对每种模型的应用场景和优劣予以研究陈述,在此基础上完成模型的有效性验证和比较;最后,仿真验证。仿真结果表明,基于ResNet的流量预测模型预测效果更佳。

复杂地层中盾构掘进速度的调控分析——以新建铁路横琴至珠海机场段HJZQ-2标隧道工程为例

为解决复杂软弱地层中土压平衡盾构掘进速度难以用理论方法预测调控的问题,基于皮尔森相关系数分析了掘进参数与掘进速度的相关性,并提出盾构掘进速度的深度学习预测模型。模型运用粒子群优化算法对BP神经网络的权值与偏置值进行优化,以克服基于梯度下降算法的传统BP神经网络易陷入局部最小值和预测误差大等缺点,预测模型将地质参数与掘进参数作为输入值,盾构掘进速度作为输出值(预测值)。以新建铁路横琴至珠海机场段HJZQ-2标隧道工程为依托,基于贯入度与掘进速度的相关性最高且呈正相关的分析结果,采用监测数据对模型进行训练,利用训练后的深度学习模型对掘进速度进行预测分析。结果显示,具有2层隐藏层的深度学习PSO-BP模型的预测误差基本控制在±4 mm/min(误差在10%以内),满足实际工程要求,从而验证了模型的有效性与适用性。