基于互信息粒子群优化-长短期记忆神经网络医疗设备运行质量预测模型的慢性呼吸系统疾病诊疗设备智能管理研究

目的:基于互信息粒子群优化(PSO)-长短期记忆(LSTM)神经网络构建医疗设备运行质量预测模型,辅助慢性呼吸系统疾病诊疗设备智能管理。方法:采集设备基本数据、使用数据、维修数据和性能数据进行去噪和标准化处理,构建基于PSO-LSTM神经网络医疗设备运行质量预测模型(简称PSO-LSTM模型),制定设备使用、维护、维修及报废的智能管理方案。选取2019年8月至2023年7月新疆维吾尔自治区人民医院呼吸科临床在用的139台医疗设备,将2019年8月至2021年7月的67台设备采用经验管理模式,2021年8月至2023年7月的72台设备采用智能管理模式。计算传统循环神经网络(RNN)、LSTM神经网络模型训练集和测试集与PSO-LSTM神经网络模型的预测准确性,对比两种管理模式设备管理质量和设备使用操作与技术保障人员以及患者或家属对两种管理模式的管理满意度。结果:PSO-LSTM模型训练集预测准确性的平均绝对百分比误差(MAPE)值和均方根差(RMSE)值分别为0.014和0.008,测试集分别为0.032和0.018,均低于RNN和LSTM模型。采用智能管理模式的设备平均故障频次、平均开机率、管理成本平均增幅、平均维护执行率及平均报废合规率分别为(0.99±0.85)次/年、(95.74±2.16)%、(1.72±1.28)%、(96.49±1.97)%和(97.59±1.49)%,平均故障频次和管理成本平均增幅低于经验管理模式,平均开机率、平均维护执行率和平均报废合规率高于经验管理模式,差异有统计学意义(t=3.297、3.469、2.394、4.187、3.503,P<0.05);设备使用操作与技术保障人员及患者或家属对采用智能管理模式的设备性能、运行质量、管理方式、管理成本以及诊疗效果满意度评分分别为(94.73±1.85)分、(93.38±3.15)分、(93.48±2.02)分、(94.35±2.34)分和(95.14±2.07)分,均高于经验管理模式,差异有统计学意义(t=4.131、3.827、5.716、3.430、3.173,P<0.05)。结论:基于PSO-LSTM神经网络医疗设备运行质量预测模型能更准确地评估设备运行状况,提高医疗设备临床运行质量,改善临床服务满意度。

基于双长短期记忆网络组合的网络货运平台成交定价预测模型

网络货运平台运输服务订单的成交定价的预测结果是平台运营策略和承运人决策的直接体现,显著影响平台效益和承运人市场健康发展。以顺丰速递网络货运平台为例,通过缺失值处理和类别型数据转换进行数据预处理。针对网络货运平台成交定价预测精度问题,设计了基于双长短期记忆网络(LSTM)组合的网络货运平台成交定价预测模型,并采用K-means聚类分析预测结果。双LSTM组合模型相较于LSTM、支持向量回归(SVR)、两者相融合的LSTM-SVR以及基于灰色GM(1,1)和反向传播(BP)组合(GM(1,1)-BP)等模型,平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)最低且R2最高,分别为9.90、402.54、1.48和0.99997。而K-means聚类分析对预测的订单成交定价进行评级的结果与实际情况一致。实验结果表明,所提出的双LSTM组合模型具备有效性和准确的网络货运平台成交定价预测效果。

长短期记忆网络对销售量预测精度的影响

销售量预测是企业经营管理决策的核心组成部分,提高销售量预测精度对于企业经营管理具有重要意义。当前传统的线性预测模型大多存在评价不够全面、难以处理非线性关系等问题,而根据评估结果证明选用长短期记忆人工神经网络(LSTM)模型构建销售量预测模型可以有效提高预测结果的精确度和预测能力,由此提升管理决策精度,具有一定的管理学意义。

基于LSTM神经网络的智慧交通管理系统设计

随着城市化进程的加快,交通拥堵问题日益严重,传统交通管理系统已难以满足现代交通管理的需求。为了提升交通效率、减少拥堵并优化出行体验,文章设计了一种基于长短期记忆(Long Short-Term Memory,LSTM)神经网络的智慧交通管理系统。该系统旨在通过深度学习和大数据分析技术,实现对交通状况的精准预测与智能调控。文章先构建了智慧交通管理系统的总体框架,然后详细分析了系统的各功能层设计。在业务层深入探讨了LSTM神经网络模型的选择与优化策略,包括网络结构的调整、损失函数的优化等,以确保模型能够准确捕捉交通流数据的时序特征与非线性关系,并通过实验证明该系统具有良好的稳定性和预测精度,可为智慧交通管理提供更好的支持。

基于需求功率预测的电动拖拉机能量管理策略

针对电动拖拉机在犁耕工况下电机需求电流波动比较大的特点,为了改善动力电池的输出电流过高或过低及电动拖拉机犁耕持续作业时间短的现象,利用超级电容高功率密度的特点,设计了一种锂电池+超级电容结构的双电源电动拖拉机,并建立了Amesim/Simulink联合仿真模型。以模型预测控制作为双电源系统的能量管理方法,基于长短期记忆神经网络建立电动拖拉机犁耕工况下的需求功率预测模型,使用动态规划算法求解最佳的锂电池输出电流。仿真结果表明:相比于模糊控制策略,基于模型预测控制策略有效降低了锂电池大电流放电的频率且峰值电流降低了40%,有效提高了锂电池的使用寿命;超级电容的SOC保持在比较高的范围内,且电动拖拉机在犁耕工况下的单位里程能量消耗降低了2.17%,实现了双电源电流分配最优,提高了电动拖拉机的动力性和经济性。

基于卷积神经网络与长短期记忆网络的医学影像数据管理方法研究

目的:将复杂的医学影像通过模型的自动学习转化为可供直接利用的文本诊断数据,以期实现医学影像数据的深度管理开发与利用,为后续的临床病例诊断提供参考。方法:通过在卷积神经网络中嵌入长短期记忆网络,以甲状腺良恶性结节B超影像为例,对医学影像提取高维特征、生成序列描述,将高维度深层次非结构化的医学影像转化为结构化的医学影像文本诊断数据。结果:在同一信息模态下实现了医学影像与其自身诊断数据的关联,医学影像与患者信息、病案信息的关联,构建了基于卷积神经网络与长短期记忆网络的医学影像数据管理一般方法。结论:此管理方法为后续医学影像数据的知识利用提供了信息基础,为医疗辅助诊断提供数据保障,为跨区域跨机构医学影像数据资源共享提供数据支撑。

基于神经网络需求预测的供应链管理优化模型

为了实现供应链管理系统利益最大化,提高供应链系统管理水平,以顾客需求驱动为前提,运用卷积神经网络和长短期记忆网络模型预测顾客需求,将供应商的供货量和加工厂的分销量作为决策变量,建立了一个基于报童模型的非线性0-1混合整数规划模型,并提出了一种改进的粒子群算法求解。在数值案例中预测结果的平均绝对百分比误差为1.7634%,并采取多种预测方法验证预测结果的准确性。最后结合实际数值案例验证模型和算法的可行性,结果计算得到各参数下误差不超过0.9%,对实际生活中企业对供应链的管理提供了一项可行方案。

改进PSO-LSTM算法预测高速公路交通量

高速公路交通政策的制定需要准确地预测交通量,基于此,选用长短期记忆网络(long short-term memory,LSTM)机器学习模型对其研究,针对LSTM模型中参数确定的问题,选用粒子群优化(particle swarm optimization,PSO)算法对其优化,同时针对PSO算法中粒子位置更新问题,以公式中各参数含义为切入点进行改进,将PSO算法公式中原来静态的惯性权重及学习权重改为会随着迭代次数及粒子位置改变而改变的动态值,从而达到搜寻精度提高的目的,据此构造改进PSO-LSTM模型,最后通过实例计算分析,分别对高速公路的工作日及休息日进行预测。结果表明改进的PSO-LSTM模型较LSTM模型在工作日及休息日交通量的预测上,其评价指标均方根误差分别提高了12.19%、10.97%,平均绝对误差分别提高了17.06%、15.17%,平方绝对百分比误差分别提高24.56%、23.88%,精度提高值明显高于PSO-LSTM模型。改进PSO-LSTM模型在交通量预测精度上具有显著提高作用,且抗干扰能力强,可以为政策的合理制定提供更可靠的依据。

基于差分处理的EMD-LSTM短时空中交通流量预测

随着中国民航的飞速发展,终端区空中交通流量与日俱增,短时空中交通流量预测对于精准实施空中交通流量管理具有重要意义。为提高短时空中交通流量预测的准确性,提出了基于数据差分处理(data differential processing)的经验模态分解(empirical mode decomposition,EMD)和长短期记忆(long short-term memory,LSTM)相结合的短时空中交通流量预测模型。首先,该模型对短时空中交通流量序列进行经验模态分解;其次,为了提高预测精度,运用数据差分对时间序列进行平稳化处理;最后,将平稳处理后的序列分别输入LSTM网络模型进行预测,经过数据重构,得到最终的短时流量预测值。利用郑州新郑国际机场数据进行了实验验证,结果表明,该模型预测精度和拟合程度的典型指标RSME、MAE、R^(2)分别为0.29%,0.08%、96.40%,相较于其他方法,预测精度大幅度提高,可以为短时空中交通流量预测提供有益参考。

基于LSTM-ARIMA模型的短期航班飞行轨迹预测

高效精确的航班飞行轨迹预测是未来空中交通管理系统的关键技术之一,其旨在提高空中交通的运行能力和可预测性。针对现有的航迹预测方法预测精度和稳定性不足的问题,在已有的历史航迹数据的基础上,构建了新的特征维度,分析了经度、纬度和高度三维数据的统计特性,将长短期记忆网络(Long Short-Term Memory,LSTM)对非线性和非平稳时间序列有较强的逼近能力,而差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)对线性时间序列的处理能力更优的特点相结合,提出了一种以LSTM为主ARIMA为辅的组合短期航迹预测模型,先利用LSTM作为主预测模型对经纬度和高度进行预测,再利用辅模型ARIMA对高度的线性关系进行建模,最后采用CRITIC方法将LSTM和ARIMA预测的高度值融合处理。实验结果表明,这种组合模型利用了两种模型的优势,提高了航迹预测的准确性。

基于长短期记忆神经网络的船体及螺旋桨性能退化评估

采用线性插值和时空插值构建包含气象、航行性能和机舱信息的船舶综合数据库,经统计分析筛选出9个输入变量,基于长短期记忆神经网络建立航速预测模型,获得由预测航速与实测值的残差描述的船体及螺旋桨性能退化的特征参数,建立以航速残差的时间序列为路径的船体及螺旋桨性能退化评估方法。基于某30万吨散货船一年的航行数据进行性能退化评估,航速预测结果的均方误差为0.01,目标船的性能退化路径具有时间相关性和单调变化的趋势。

基于注意力循环网络的4D轨迹预测模型

针对传统的轨迹预测方法很难获取轨迹的时空特征、实现高精度和实时预测等问题,提出了一种基于注意力机制的4D轨迹预测模型ARTP(Attentional Recurrent Trajectory Prediction)。首先,采用正则化方法对各飞行轨迹进行重构,得到等时间间隔的无噪声高质量飞行轨迹;其次,使用长短期记忆(Long Short-Term Memory,LSTM)对飞机飞行轨迹进行时空特征提取;最后,利用注意力机制来捕获飞行历史轨迹中的多层次周期性。该模型有效地利用了周期性的性质来增强LSTM的活动性预测。在真正的广播式自动相关监视系统(Automatic Dependent Surveillance-Broadcast,ADS-B)历史轨迹数据上进行实验和同类方法进行对比,ARTP模型的均方根误差比CNN-LSTM模型低21.04%。实验结果表明,基于注意力机制的飞机轨迹预测模型能够取得更高精度的预测结果。

基于循环神经网络的数据库查询开销预测

在数据库负载管理、性能调优过程中,开销预测模型是提高其效率的关键技术.首先,由于数据库系统的复杂性和计算机资源的竞争,很难精确地估计不同操作的开销;其次,现有的研究大多没有真正预测查询的执行时间,而是预测了类似查询优化器中开销模型生成的开销;由于查询计划结构的复杂性,现有研究更多地使用了笼统的查询信息,而很少利用查询计划中操作层面的信息,并依据这些信息来获得开销模型.为了减少负载管理的复杂性,提出了基于循环神经网络的精细模型来预测查询开销,以查询计划中的操作行为及其实际运行时间作为特征提取的来源.特别地,考虑到查询计划结构的复杂性,采用一种特殊的循环神经网络——长短期记忆(long-short term memory,简称LSTM).给一个特定的查询计划,在该计划实际执行之前,模型就能产生其预测的执行时间区间.这会比现有数据库的查询优化器产生的开销预估结果(任意单位)更具有参考性,也优于需要在执行开始之后才能预测的查询进度指示器.所提方法预测查询执行时间,可以解决数据库负载管理中的关键问题.通过实验验证,模型的正确率高于71%,在一定程度上证明了方法的可行性.

基于SOCIAL-LSTM的空中飞行轨迹预测

准确及时地预测航空飞行器的飞行轨迹对于空中交通管理和飞行安全都有着非常重要的意义。随着低空领域逐渐放开以及航空领域拥堵,航空飞行器之间冲突引发的安全风险成为需要特别关注的问题。传统的神经网络模型预测飞行轨迹并没有考虑航空飞行器之间的相互影响,本文采用的近年来提出的SOCIAL-LSTM模型可以对特定空间中整体航空飞行器进行轨迹预测。相较于标准的长短期记忆网络和动力学模型,SOCIAL-LSTM能够更加全面地考虑空间内航空飞行器之间的相互影响。

基于轨迹规划与CNN-LSTM预测的履带式混合动力无人平台能量管理优化

混合动力能量管理策略是混合动力系统的关键技术之一,对整车效率和燃油经济性等综合性能起到决定性作用。对于履带式混合动力无人车辆,其复杂的行驶工况对能量管理策略提出更高要求。在传统工况预测方法的基础上,提出一种基于无人驾驶轨迹规划的卷积神经网络与长短期记忆网络的预测模型。针对系统状态变量与控制变量搜索范围广、计算量大的问题,优化动态规划算法以获得最优控制序列;设计模型预测控制方法实现能量管理优化控制;通过实车试验进行验证。研究结果表明,采用卷积神经网络与长短期记忆网络的预测模型比基于规划速度的直接预测模型的精度提高了3%;基于该模型预测控制的能量管理实时优化策略,比基于传统多步神经网络策略的等效燃油消耗量减少了3.9%,改善了整车燃油经济性。

基于深度强化学习的居民实时自治最优能量管理策略

随着居民分布式资源的普及,如何考虑用户多类型设备的运行特性,满足实时自治能量管理需求以达到用户侧经济性最优成为亟待解决的课题。传统基于模型的最优化方法在模型精准构建和应对多重不确定性等方面存在局限性,为此提出一种无模型的基于深度强化学习的实时自治能量管理优化方法。首先,对用户设备进行分类,采用统一的三元组描述其运行特性,并确定相应的能量管理动作;接着,采用长短期记忆神经网络提取环境状态中多源时序数据的未来走势;进而,基于近端策略优化算法,赋能在多维连续-离散混合的动作空间中高效学习最优能量管理策略,在最小化用电成本的同时提升策略对不确定性的适应性;最后,通过实际情境对比现有方法的优化决策效果,验证所提方法的有效性。

基于人工情感LSTM算法的智慧家庭能量管理

随着中国社会城镇化的进一步深入和城市的进一步发展,电力资源逐步出现紧缺情况。不少地区在用电高峰期间由于城市用电超负荷而不得不进行区域性的拉闸限电以缓解城市供电的压力。在这种情况下,用户自主性地管理和节约电能就显得尤为重要。为了使家庭用户可以自主管理电能的使用,实现电网与用户之间的双向互动,同时保证需求侧响应(DR)的执行,提出一种基于人工情感长短期记忆(AELSTM)网络算法的智慧家庭能量管理的控制方法。该方法由人工情感深度神经网络(AEDNN)和长短期记忆(LSTM)网络构成。结合这2部分可以做到人性化实时监测和管理家庭用电情况。

融合Transformer的剩余使用寿命预测模型

剩余使用寿命(remaining useful life,RUL)预测对大型设备的故障预测与健康管理十分重要。然而,一些设备监测数据具有维度高、规模大、强耦合、参数时变等非线性特征,这些特征会导致RUL预测的准确性较低。为此引入Transformer解码器,并通过多头注意力机制综合全局信息,提出了一种基于多尺度双向长短期记忆网络和Transformer的神经网络模型,以提高模型预测精度。选取航空发动机作为研究对象,使用各个模型在NASA的C-MPASS数据集上进行对比实验,结果表明,在剩余使用寿命预测方面,该文提出的融合Transformer模型的多尺度双向长短期记忆网络模型在准确率和均方根误差指标上均优于其他对比模型。

基于TreeLSTM的查询基数估计

针对传统的数据库管理系统无法很好地学习谓词之间的交互以及无法准确地估计复杂查询的基数问题,提出了一种树形结构的长短期记忆神经网络(Tree Long Short Term Memory, TreeLSTM)模型建模查询,并使用该模型对新的查询基数进行估计.所提出的模型考虑了查询语句中包含的合取和析取运算,根据谓词之间的操作符类型将子表达式构建为树形结构,根据组合子表达式向量来表示连续向量空间中的任意逻辑表达式.TreeLSTM模型通过捕捉查询谓词之间的顺序依赖关系从而提升基数估计的性能和准确度,将TreeLSTM与基于直方图方法、基于学习的MSCN和TreeRNN方法进行了比较.实验结果表明:TreeLSTM的估算误差比直方图、MSCN、TreeRNN方法的误差分别降低了60.41%,33.33%和11.57%,该方法显著提高了基数估计器的性能.

基于CEEMDAN-LSTM组合的锂离子电池寿命预测方法

针对目前锂离子电池寿命预测结果不准确的问题,提出了一种多模态分解的锂离子电池组合预测模型,从而学习锂离子电池退化过程的微小变化.该方法在单一长短期记忆(LSTM)预测模型的基础上,采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势,然后使用长短期记忆神经网络(LSTMNN)算法分别对所分解的若干退化数据进行寿命预测,最后将若干预测结果进行有效集成.结果表明,所提出的CEEMDANLSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%,平均相对误差在3%以内,且优于其他预测模型.