兼顾正确率和差异性的自适应集成算法及应用

针对如何从集成分类器中合理地筛选个体以提高集成学习的效果这一难题,提出了新的集成算法.该算法基于知识粒原理设计一种兼顾正确率和差异性的筛选指标,以便从训练的一批分类器中快速地选择个体组建成库;以自适应方式,针对每一类别生成特定的集成分类器,这些集成分类器间存在包容性,由此构建的集成分类器组将占用较少的计算资源,并将以自适应方式进行分类决策.对多种模式分类问题的试验结果表明:与其他集成方法相比,该集成算法更为高效,稳定性更好,具有较强的泛化性能.

考虑站点分类的城市轨道短时客流预测方法

精确、可靠的短时客流预测可为城市轨道交通运营提供保障。考虑不同站点的客流时序特征差异,在对站点分类的基础上,建立了一种城市轨道站点客流的深度学习预测方法。以动态时间规整及K-means算法对站点进行分类,分析各类站点的客流时序特征;采用自适应噪声完全集成经验模式分解算法对各类站点客流数据进行分解,以减少数据噪声的影响;提出一种融合长短期记忆网络和Transformer模型的深度学习预测方法,从而预测不同类型站点客流。应用西安市轨道交通客流数据验证该方法,结果表明:根据工作日及非工作日的客流数据时序特征可将站点分为职住均衡型、商务办公型、休闲娱乐型和密集居住型4类,所提出的方法在不同类型站点的客流预测结果相比于其他3种单一模型和3种组合模型,平均绝对误差降低16.36%~51.02%、均方根误差降低10.35%~50.76%,平均绝对百分比误差降低14.71%~48.62%,基于15 min、30 min、45 min及60 min不同时间间隔统计的站点客流数据的预测结果相比于其他6种模型,3种指标分别降低了12.63%~51.02%、8.08%~49.12%和6.83%~47.26%。

基于改进的极限学习机光伏出力短期预测

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点,构建了一种基于自适应噪声完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)算法,结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解,得到数据信号在不同时间尺度的局部特征,降低环境因素序列的非平稳性,然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后,选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明,构建的改进光伏出力预测组合模型的各项指标预测效果更好,且适用不同环境的光伏发电预测。

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明:IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12~40人次(13~35人次)、13~44人次(12~35人次)、6~37人次(12~31人次)和5.08%~46.89%(6.5%~35.1%),R和R2分别提高了0.07%~2.32%(0.86%~3.63%)和0.13%~2.19%(0.67%~1.67%),同时在工作日不同时段和非工作日全日的预测性能均达到最优效果。IPSO算法的收敛速度和参数寻优精度均优于PSO算法,且CEEMDAN-IPSO-LSTM模型可应用于城市轨道交通短时客流量的精确预测,同时可为设计规划线网路线、缓解交通压力、提高乘客出行服务质量等提供基础数据支撑。