一种融合GA和LSTM的边坡变形预测优化网络模型及其应用

考虑到BP神经网络模型忽略边坡监测数据存在的时间相关性,以及LSTM模型由于超参数选择存在主观性而易陷入局部最优等问题,提出一种基于遗传算法和长短期记忆网络(GA-LSTM)相结合的边坡变形预测模型,以发挥遗传算法全局搜索能力和LSTM预测时序数据的优势。以海明矿业露天采场边坡为研究对象,分别采用BP神经网络模型、LSTM网络模型以及GA-LSTM网络模型对边坡监测点GNSS49变形进行预测分析,并对比各模型达到收敛条件的时间。结果表明,GA-LSTM模型与其他模型达到同一收敛条件的时间差异不大,GA-LSTM模型的拟合准确度在0.1~0.2 mm,是LSTM神经网络模型的5~7倍,是BP神经网络模型的10~20倍,具有较高的精度和稳定性,其预测值与实际监测数据基本一致,可为矿山边坡的安全生产、管理以及决策控制提供科学依据。

融合GA-Attention-LSTM算法的温室樱桃环境参数预测与裂果预警

针对温室环境因素对樱桃的影响,设计一套大樱桃温室环境自动监测装置,用来采集温室内的环境参数值为樱桃裂果提供数字化预警支持及防治方案。基于采集的环境参数值,首先使用相关性分析得出与棚内裂果具有强相关性的环境参数特征;其次使用滑动窗口方法将输入的环境特征生成时间序列矩阵形式;随后提出一种融合GA-Attention-LSTM算法的预测模型,实现精准预测棚内的环境参数的功能;最后通过SPSS数据分析软件来分析不同大棚的环境参数和裂果率。所提的融合GA-Attention-LSTM算法的预测模型的平均绝对误差为0.112,均方误差为0.087,相比于LSTM网络模型高出12.80%和9.72%,对环境参数的预测精度更高,同时得出一套科学的樱桃环境参数值范围,为预测模型对樱桃裂果数字化预警提供有力支持。

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

基于融合影响因素PSO-Prophet模型的农产品价格预测

为了提高价格预测的准确度,在Prophet模型中融入了消费者物价指数(CPI)和经济政策不确定性指数(EPU)等影响因素,并使用粒子群算法优化参数。利用国际大蒜贸易网中的日价格数据,将该方法应用于山东省大蒜的价格预测。结果表明,融合影响因素的PSO-Prophet模型大蒜价格预测结果的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)比Prophet模型分别降低了82.88%、82.86%和77.49%。融合影响因素的PSO-Prophet模型可以有效提高预测精度。

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ARIMA-LSTM混合模型对传染病的预测分析

传染病一直是科学研究的热点,利用科学的方法控制传染病的传播对整个国家乃至全世界具有举足轻重的作用。文章选取乙类传染病中新型冠状病毒感染数据作为研究对象,搜集了北京市2022年1月至2022年4月新冠感染累计确诊病例数,构成时间序列,基于自回归移动平均模型(ARIMA)和长短期记忆神经网络(LSTM)的混合模型进行预测分析。结果表明,混合模型的预测结果与实际情况基本一致。

基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO_(2)浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法(Cross-Validation)对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机(PSO-SVR)、布谷鸟优化极限学习机(CS-ELM)和北方苍鹰优化高斯过程回归(NGO-GPR)算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型(XGBoost)组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.569 7μmol/(m^(2)·s),RMSE为0.721 4μmol/(m^(2)·s)。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。

基于自适应时间窗的数据-模型融合驱动暂态频率预测

新能源大规模并网使得新型电力系统的暂态频率响应特征更加复杂,现有频率在线预测方法难以兼顾准确性和及时性。基于此,提出基于自适应时间窗的数据-模型融合驱动暂态频率预测方法。首先,基于长短期记忆网络,离线训练多个具有不同长度时序数据输入的频率曲线循环预测模型;其次,利用参数辨识方法离线建立各发电集群的通用等值频率响应模型,在此基础上构建系统有功-频率物理机理快速分析模型;最后,串行融合前述频率曲线循环预测模型与有功-频率物理机理快速分析模型,并提出“可信度量化评估指标”,实时分析在线预测过程中不同评估时刻下预测结果的精度,自适应调整输入时序数据长度,直至预测结果满足要求并输出。含风电的IEEE39节点系统的仿真结果表明,所提方法在不同风电渗透率或不同扰动下均能快速、准确地预测暂态频率响应曲线,相较于其他在线预测方法具有更优的评估性能。

基于数据融合和LSTM的冷链运输环境预测

为了保证农副产品的质量和安全,基于多传感器的远程监控技术已经广泛应用于农产品冷链运输行业。传统的冷链运输环境监测与预测技术主要结合各环境指标的分析,并没有对异构和非均衡数据进行有效融合和拟合预测。基于预训练卷积自编码器、注意力机制与长短记忆网络(LSTM)提出了K-LSTM融合与预测算法模型,实验结果表明K-LSTM算法模型融合精度达到了96%,相较于文献研究算法指标结果提高了20%~70%,因此提出的K-LSTM能够对冷藏车厢内部温度和湿度提供准确预测,为冷链的智能管理提供了有效支持。

基于随机森林算法构建腰椎后路椎间融合术后感染预测模型

目的:利用随机森林算法对腰椎后路椎间融合术后发生感染的相关危险因素进行分析并制定预测模型,为临床预防腰椎后路椎间融合术后手术部位感染(surgical site infection,SSI)的发生提供参考依据。方法:回顾性研究北京中卫云医疗数据分析与应用技术研究院经过数据处理分析提供的2019年6月~2021年6月在河北医科大学第一医院、第二医院、第三医院等河北省及北京市共15家三级甲等医院脊柱外科住院接受腰椎后路椎间融合术治疗患者的脱敏数据资料。统计分析比较感染组(SSI)和非感染组(non-SSI)的分类数据,得到对术后感染具有显著影响的变量,使用SPSS Modeler 20数据建模系统作为工具,采用随机森林(RF)算法进行分析,得到术后感染的患者特征,即感染模型。结果:本研究共纳入8764例患者数据,其中373例患者被诊断为SSI,发病率为4.4%(95%CI,2.2%~6.5%)。经过Logistic回归模型分析多个自变量与因变量的相关性,确定六个变量[包括肥胖、美国麻醉师协会(American Society of Anesthesiologists,ASA)分级Ⅲ级及以上、手术时间延长、慢性心脏病、糖尿病和肾功能不全]与SSI独立相关。以随机森林模型进行分类可获得较高的精度,为90.6%,腰椎后路椎间融合术后易发生感染的患者特征,即两种感染模式:[(BMI=1)and(SD=1)and(ASA=1)and(RI=1)]or[(BMI=0)and(SD=1)and(DM=1)and(RI=1)]。结论:随机森林分类算法应用于本研究可获得90.6%的平均精度,并得到两种感染模型,(1)患者肥胖,肾功能不全,ASA分级Ⅲ级及以上,且手术时间≥3h;(2)患者无肥胖,但同时患糖尿病、肾功能不全,且手术时间≥3h。

基于LSTM网络模型的光伏发电功率短期预测系统

光伏发电受天气因素影响,具有明显的间歇性和波动性特征。该文提出了一种基于LSTM网络模型的光伏发电功率短期预测方法,该方法以STM32单片机为控制核心,实时采集光照辐度、温度、相对湿度、风速等数据。利用相关系数法筛选相关度较高的因素,作为LSTM网络模型的输入变量,对未来光伏发电功率进行短期预测。MATLAB仿真实验结果表明,该文所提方法与其他预测模型相比具有较高的预测精度,在晴天与多云天气下预测的MAPE值分别为4.943%和4.997%,有利于我国电力系统的稳定运行和电网工作人员的调度。

基于ARIMA和LSTM混合模型的林业产品销售价格预测系统研究

为提高林业产品销售价格预测的准确性,提出了基于ARIMA和LSTM混合模型的林业产品销售价格预测系统。系统设计分析和数据库设计确保了系统整体性能。通过对历史数据的预处理,提高了数据质量。利用ARIMA模型和LSTM残差预测进行价格预测,并将两者融合以得到最终预测结果。实验结果显示,该系统的预测误差控制在3以下,具有更高的准确性和较强的可靠性,可为产品价格波动的预测提供参考。

基于AGRU-Trans融合模型的特长海底隧道交通量预测

为了使海底隧道交通管控部门更好地掌握准确的交通数据,给出行者提供更好的交通引导,通过对循环神经网络和Transformer算法的研究,结合GRU与Transformer模型算法优点并加入自注意力机制,提出一种基于AGRU-Trans融合模型的海底隧道交通量预测模型。选取胶州湾海底隧道市南-黄岛交通运行数据,通过AGRU-Trans融合模型与3种基准模型对比发现,LSTM,Transformer,GRU模型的平均绝对误差(MAE)相比AGRU-Trans分别大了31.48%,67.54%,20.57%;均方根误差(RMSE)分别增长了35.63%,38.45%,32.02%。结果表明:AGRU-Trans融合模型的预测结果与真实数据贴合性最好,预测精度均高于基准模型,因此,基于此方法可为胶州湾海底隧道管理部门对车辆进行精细化诱导及管控提供理论参考。

基于多变量LSTM模型的黄河流域气象干旱预测研究

干旱是对人类社会发展影响最严重的自然灾害之一,气象干旱预测是干旱研究中的重要方向。为提高气象干旱的预测精度,将多变量方法应用到长短期记忆模型(Long short-term memory,LSTM)预测黄河流域标准化气象干旱指数(Standardized precipitation evapotranspiration index,SPEI)的过程中,并和单变量LSTM模型的结果进行对比。使用均方根误差、平均绝对误差、纳什效率指数作为评价指标。结果显示,在对黄河流域临夏站、陶乐站、铜川站各自5种时间尺度SPEI(1、3、6、9和12个月)的预测中,多变量LSTM预测结果的3种评价指标值均明显优于单变量LSTM预测结果;可视化结果也显示多变量LSTM方法的预测曲线更接近观测值曲线。研究证明了多变量LSTM模型对于提高黄河流域气象干旱指数预测精度的有效性与适用性。

基于不同时间尺度的LSTM模型下产品订单需求量的预测

本文使用LSTM模型对日、周、月三个时间尺度下的产品需求量进行预测。结果表明,采用日尺度模型时,由于时间序列过长,模型无法达到收敛状态,在构建模型时应缩短时间序列;而使用周尺度模型时,损失函数逐渐收敛于横轴,训练效果较为显著;月尺度模型仍有提升空间,需要进一步训练以完全收敛。不同时间尺度会对预测精度产生影响,很大或很小的时间尺度可能导致预测误差增加。

基于奇异谱分解和LSTM-ARIMA组合模型的生猪价格预测

针对生猪价格波动过于剧烈难以预测的问题,提出基于奇异谱分解的LSTM-ARIMA组合模型对生猪价格进行预测。以2000年1月-2021年12月的月度价格数据作为样本,利用奇异谱分析对生猪价格数据进行分解,得到趋势项和波动项,选用累计贡献率达前70%的构建趋势项,剩下的30%构造波动项。趋势项非平稳且具有长记忆性,对其建立LSTM模型;波动项平稳,对其建立ARIMA模型,最后将两部分预测结果重组作为生猪价格的预测值,构建LSTM-ARIMA组合预测模型。将预测值和生猪真实价格进行对比,结果表明:预测值与真实值之间的均方根误差RMSE为2.75,平均绝对百分比误差MAPE为10.81%,平均绝对误差MAE为2.27,方向对称性DS为81.81;此组合模型能很好地预测生猪价格走势,对我国生猪价格预测具有更高地适用性与参考。

基于贝叶斯优化的CNN+LSTM的混合模型超短期负荷预测

随着时代的发展,运用模型预测用电量能有效预测未来所需电量从而能够节约电力资源,常见的预测方法有利用卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long⁃short term memory,LSTM)。本文将基于某地区某一时间段的负荷值,利用基于贝叶斯优化的CNN模型、LSTM模型和CNN+LSTM模型分别进行预测分析。实验结果表明CNN+LSTM的混合模型超短期负荷预测的平均绝对比例误差(mean absolute percentage error,MAPE)、均方根误差(root mean squared error,RMSE)、平均绝对值误差(mean absolute error,MAE)、平均偏差(mean bias error,MBE)比CNN、LSTM模型单独预测的要低,预测精度更高,并且克服了CNN的池化层会丢失一定信息的缺点及LSTM的时间序列跨度大会出现耗时偏多等问题。

双关系预测与特征融合的实体关系抽取模型

现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and feature fusion,DRPFF),该模型使用预训练的基于Transformer的双向编码表示模型(bidirectional encoder representation from transformers,BERT)对文本进行编码,并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元(gated linear unit,GLU)和条件层规范化(conditional layer normalization,CLN)组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明,该模型相较于基线方法取得了更好的效果。

LSTM-Prophet混合模型在物料储备需求预测中的应用

建立LSTM⁃Prophet混合模型,预测A公司未来每日物料消耗量,为工段每日物料储备提供参考,数据集来源为A公司2015年来每日物料实际消耗量。实验结果显示,LSTM⁃Prophet混合模型预测时序数据的MAE值为40.905,MAPE值为0.044,R2值为0.863,三个评价指标都优于LSTM模型、Prophet模型、ARIMA模型三个单一模型的评价指标值。验证了LSTM⁃Prophet混合模型有着更好的预测精度,可以更好地应用于工业场景。

基于模型融合的地铁生产工序能耗辨识和预测研究

高速列车生产过程需要消耗大量的资源,实现制造环节的低碳节能是绿色工厂的关键指标要求,然而,目前现场的能耗管理仍采用电表读取和人工测量的方法,浪费了大量人力物力。文章提出了一种模型融合和ARIMA-LSTM的地铁工序能耗预测方法。首先,对采集的两种数据进行处理合并,利用3σ准则剔除异常值,并使用模型融合算法进行能耗辨识;其次,[摘要]高速列车生产过程需要消耗大量的资源,实现制造环节的低碳节能是绿色工厂的关键指标要求,然而,目前现场的能耗管理仍采用电表读取和人工测量的方法,浪费了大量人力物力。文章提出了一种模型融合和ARIMALSTM的地铁工序能耗预测方法。首先,对采集的两种数据进行处理合并,利用3σ准则剔除异常值,并使用模型融合算法进行能耗辨识;其次,对所得数据进行滑窗操作,对每一个窗口利用模型融合算法计算工序能耗值,得到多组工序能耗值;最后,对获取的工序能耗数据使用ARIMA-LSTM算法进行能耗预测。通过使用某地铁生产企业车间的数据集进行验证,实验结果表明,文章所提出的方法具有较高的准确率。