基于长短期记忆网络的大蒜价格预测模型研究

大蒜是一种重要农产品,其价格波动会给农民、经销商和消费者带来较大影响。因此,准确预测大蒜价格对决策制定、市场规划和风险管理起到至关重要的作用。基于长短期记忆网络算法来分析大蒜价格历史数据,利用核主成分分析法对数据进行特征提取,得到最优参数的预测模型,并对大蒜价格进行短期预测。结果表明,基于KPCA的LSTM模型在对大蒜价格预测时达到预期良好效果,与传统的神经网络和时序模型相比,其具有更高的准确度和稳定性。

基于残差双向长短期记忆效应网络模型的电力企业碳排放预测

针对电力企业碳排放核算时间长、连续排放监测系统误差大及传统模型拟合困难等问题,结合电力企业燃料燃烧的特性及现有污染物在线监测结果,成功构建了电力行业碳排放的残差双向长短期记忆效应网络(ResNet-BiLSTM)模型,并以浙江省113家电力企业的数据为样本进行验证。结果表明:与目前主流数据预测算法逻辑回归(Regression)、循环神经网络(RNN)、反向传播神经网络(BPNN)模型相比,ResNet-BiLSTM模型的平均绝对百分比误差分别低5.7、4.1、2.8百分点,对碳排放量的预测更贴近电力企业核算碳排放波动情况,且预测准确率(96%)最高。ResNet-BiLSTM模型的成功应用不仅为电力企业提供了新的碳排放预测途径,同时为提高相关管理部门的碳排放数据监管效率提供了支持。

基于长短期记忆网络的英语标题自动生成

为实现英文文本标题的自动化生成,研究一套基于长短期记忆网络的句子级LSTM编码策略,并在标题生成模型中引入注意力机制来获取英文文本的上下文向量,保留文本中的重要信息。在此基础上,通过负对数似然函数来对模型加以训练。最后通过Byte Cup 2018数据集对本文提出的英语标题自动生成算法进行实验,并通过过ROUGE-N指标对标题生成质量加以评价。实验研究发现,所提出的句子级LSTM编码方案在英文文本标题生成准确性方面相比于其他常规摘要生成模型来说具有显著优势。

基于鲸鱼优化算法的长短期记忆模型水库洪水预报

洪涝灾害是世界主要自然灾害之一,优化洪水预报方案对防洪决策至关重要,然而传统水文模型存在参数多、调参受人为因素影响,泛化能力弱等问题。针对上述问题,本文提出基于改进的鲸鱼优化算法和长短期记忆网络构建自动优化参数的WOA-LSTM模型,通过优化神经网络结构进一步增强该模型的稳定性和精确度,并且建立不同预见期下的洪水预报模型来分析讨论神经网络结构与预报期之间的关系。以横锦水库流域1986-1997年洪水资料为例,其中以流域7个雨量站点的降雨以及横锦站水文资料为输入,不同预见期下洪水过程作为输出,以1986-1993年作为模型的率定期,1994-1997年作为模型的检验期,研究结果表明:(1)以峰现时差、确定性系数、径流深误差和洪峰流量误差作为评价指标,相比较于LSTM模型和新安江模型对检验期的模拟结果表明WOA-LSTM模型拥有更高的精度、预报结果更稳定;(2)结合置换特征值和SHAP法分析模型特征值重要性,增强了神经网络模型的可解释性;(3)通过改变神经网络结构在一定程度避免由于预见期增加和数据关联性下降而导致的模型预报精度下降的问题,最终实验表明该模型在预见期1~6 h下都可以满足横锦水库的洪水预报要求,可以为当地的防洪决策提供依据。

基于长短期记忆网络的CO_(2)气层识别方法

CO_(2)监测是油气开采中的关键环节,传统的CO_(2)监测方法面临很多挑战,在人工智能逐渐兴起的当下,深度学习技术被广泛应用于地球物理测井。珠江口盆地恩平凹陷深层CO_(2)气藏发育,传统测井方法无法准确评价储层流体。构建了基于长短期记忆网络(LSTM)的CO_(2)气层识别模型,采用m×2正则化交叉验证优选CO_(2)敏感测井参数,并对模型进行训练。利用该模型对珠江口盆地恩平凹陷L2井CO_(2)气层进行识别,并与支持向量机和K近邻算法识别结果进行对比。结果表明,3种深度学习算法对CO_(2)气层的识别效果良好,其中LSTM算法对CO_(2)气层的识别效果最好,准确度达93.4%,为深层CO_(2)气层识别工作提供了新思路。

基于长短期记忆网络与轻梯度提升机的航空发动机大修期内剩余寿命预测

针对航空发动机大修期内由性能主导的剩余使用寿命预测中复杂设备具有状态变量多、非线性特征严重的特点以及单一模型面临特征提取不充分、预测精度不足等问题,提出一种长短期记忆网络(LSTM)与轻梯度提升机(LightGBM)的组合新模型方法进行大修期内剩余使用寿命(RUL)预测。通过LSTM对原始数据进行特征提取,将LSTM的输出门中特征提取后的数据作为LightGBM模型的输入进行RUL预测。利用NASA提供的发动机实测数据集进行了仿真试验,实现了对单个发动机的RUL预测,并与其他6种模型预测结果进行对比,对其预测剩余使用寿命的有效性进行验证。结果表明:LSTM和LightGBM组合模型比其他模型的预测误差显著减小,其4组数据集均方根误差仅为12.45、20.23、12.58、21.75。

基于堆叠长短期记忆网络的互联网流量预测

对互联网流量的有效预测是网络运营商进行网络优化的重要组成部分,为了提高互联网流量的有效预测,本文提出了一种堆叠长短期记忆网络(LSTM)模型来预测未来的互联网流量。首先,介绍了堆叠LSTM的网络结构。然后构建了4种不同堆叠层数的LSTM网络结构,并利用欧洲11个城市的ISP互联网流量和英国学术网流量数据集进行实验对比,确定了当堆叠层数为2层时,预测的精确度最高。最后为了验证该模型的有效性,通过均方根误差和平均绝对误差这两个衡量标准,与DBN、GRU、HA模型进行比较。实验结果表明,基于堆叠的LSTM预测模型较其它模型的RMSE值和ER值均有所降低。

基于长短期记忆模型的跟车距离预测研究

当前不少前向碰撞预警系统以预警距离作为预警的特征量对驾驶人进行预警,因此,提高对跟车距离的预测准度能够直观有效提高该前向碰撞预警系统的预警能力。研究通过驾驶模拟器构建跟车场景,收集了41名驾驶员的跟车行为数据,按照3:1的比例将试验数据划分为训练集和测试集。将驾驶人的跟车距离与速度作为长短期记忆模型的输入,跟车距离作为模型的输出,对驾驶人的跟车距离进行了预测分析研究。结果表明,利用该数据集的模型能够很好的预测驾驶人的跟车行为,泛化性能较好,没有过度拟合现象。并且通过输入不同时间窗口长度的测试集发现,随着测试集长度的降低,预测结果的误差会更大。能够为提高前向碰撞预警系统的精准度提供理论支持,从而增加驾驶员对预警系统的接受度。

基于图神经网络和长短期记忆模型的房价预测方法

针对目前仅单独考虑价格序列中样本的趋势或仅考虑多个关联属性与价格间的函数关系,而不能更准确地进行房价预测的问题,构建了时空注意力图卷积长短期记忆模型AG-LSTM,包含局部特征提取模块、区域特征提取模块、复合预测模块。局部特征提取模块分别使用同构图和异构图神经网络提取各小区及价格关系属性、各小区和配套邻居节点相关性的特征信息;区域特征提取模块先对邻近小区节点进行聚类,再结合图注意力网络获得小区节点对所属区域的重要性程度,建立区域与小区之间的映射矩阵,根据小区节点信息和映射矩阵得到区域特征;复合预测模块使用长短期记忆模型对由局部特征和区域特征组成的复合特征进行时序建模,实现房价预测。以链家网北京房价数据进行了实验,结果表明AG-LSTM预测结果优于已有基线模型。该模型同时挖掘了小区间位置关系、小区与其配套间位置关系、多个关联属性、价格时序趋势对房屋价格的影响,较好地实现了房屋价格的预测。

基于检验检测-服务质量-长短期记忆网络-情感分析模型的检验检测服务质量评价研究

为促进检验检测(IT)业服务质量提升,以检验检测服务质量(QoS)评级和用户服务需求为切入点,采用基于长短期记忆网络(LSTM)的深度学习方法进行用户情感分析(SA),识别用户对检验检测服务质量在各个评价维度上的情感倾向,设计由有形性、可靠性、响应性、安全性和移情性5个维度构成的评价体系,通过ITQoS-LSTM-SA模型对检验检测服务机构服务质量进行评价与反馈,并利用7万多条相关文本数据进行实证。结果显示:LSTM模型在检验检测用户评论分类中的准确率达到了85.24%,检验检测服务质量的总评分为0.491 6,处于满意和非常满意程度之间。基于IT-QoS-LSTM-SA模型,可以直观地看出检验检测服务质量在各项评价指标上的优劣程度。

基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究

热电偶在动态温度测量时由于热惯性存在动态误差。为补偿热电偶的动态误差,提出一种基于自回归与长短期记忆网络混合模型的补偿算法。该算法通过自回归模型对热电偶动态响应进行辨识,再由长短期记忆网络作为非线性补偿器校正动态误差。采用不同强度的高斯白噪声模拟噪声环境,仿真构建热电偶模拟测量数据集。在模拟测量数据集上对算法做验证。计算结果表明,该算法在不同噪声环境下均能有效地减少动态误差。搭建热电偶动态温度测量实验平台,以K型镍铬/镍硅热电偶为实验对象,取得实验测量数据集。实验和计算结果表明,经算法补偿后的热电偶动态响应得到改善,平均动态误差为0.0028,标准差为0.0102。

自相似流量的长短期记忆网络预测模型研究

随着宽带卫星互联网业务种类和需求的不断增加,提高卫星互联网的服务质量已引起人们的广泛关注。为了减少各种业务流量源汇聚对卫星通信系统的影响,自相似流量的预测变得十分重要。该文根据网络流量的自身特性,在传统神经网络预测模型的基础上,采用了一种更为切合其性质的长短期记忆网络预测模型对其进行流量预测。通过对ON/OFF物理模型产生流量进行训练,得到结果。通过图像、数据、误差指标多方面对比,进行预测结果评价。仿真结果表明:长短期记忆神经网络预测模型可以实现网络流量的预测,精度较高。

基于长短期记忆网络的扩展F事件短临预测

考虑到我国区域电离层扩展F发生的物理机制和相关因素以及观测数据的可获取性,利用适宜于时间序列预测的长短期记忆网络建立了我国不同区域电离层扩展F事件的预测模型,对未来3 h是否会发生扩展F事件进行预测.以处于我国典型纬度地区的满洲里、北京、海口站为例,利用2015和2016年测试数据集对模型预测精度进行了检验,满洲里、北京、海口站平均准确率分别为92.4%、95.3%、96.0%,平均精确率分别为75.0%、61.2%、62.6%,平均召回率分别为73.0%、50.6%、31.5%.由此可见:在某些情况下,比如在低纬度地区的海口站,模型的召回率较低;除此之外,所建立的扩展F模型在多数情况下具有较高的预测能力.

基于改进长短期记忆网络的需求响应分布式拒绝服务攻击识别方法

为保障需求响应信息正常交互,确保需求响应工作在各地安全开展,设计一种电力需求响应信息交互下改进的长短期记忆网络识别和检测分布式拒绝服务攻击方法,适用于多类别多特征形式下的需求响应交互流量中的分布式拒绝服务攻击检测分类。首先介绍一种需求响应信息交换规范支持下的电力需求响应流量特征的分类遴选机制;其次,为实现识别需求响应交互系统内部双向流量,引入高斯误差线性单元,建立基于改进的长短期记忆网络的分布式拒绝服务攻击检测模型;最后通过选取需求响应下的流量数据集,设置电网不同状态下不同攻击率的方法进行验证,证明该方法对于需求响应信息交互中多类别分布式拒绝服务攻击具有高辨识率,且能对分布式拒绝服务攻击类型进行准确归类。

基于长短期记忆网络模型的堆载作用厂房桩基长期沉降预测

为有效预测堆载作用下厂房桩基长期沉降变形特征,基于长短期记忆网络模型具备的容错性高、记忆功能强等优势,建立了长短期记忆(LSTM)网络预测模型;结合四川省攀枝花市某工业厂房工程,对比分析了指数预测模型和LSTM网络预测模型预测堆载作用下厂房桩基长期沉降变形特征的能力。研究结果表明:LSTM网络预测模型可自动识别复杂数据源中的关键信息,因而可有效表征厂房桩基长期沉降变形的非线性特征,相较于指数预测模型,LSTM网络预测模型具有精度高、误差小等显著优势,可为保障类似厂房长期的稳定性和安全性提供有效理论支撑。

基于贝叶斯优化算法和长短期记忆网络的PM_(2.5)浓度预测

针对PM_(2.5)浓度对于出行和交通规划的影响,对PM_(2.5)浓度预测进行了研究。主要解决了传统预测模型输入样本不稳定、运算时间长、预测效果不稳定、缺乏灵活性、泛化能力不足、精确度低等难题。引入了深度学习长短期记忆网络(LSTM)框架,设计基于LSTM基本的预测模型做初步预测,主要通过利用已知的空气质量数据训练模型,然后随机选取2个监测站(顺义和怀柔),用训练好的模型预测这2个监测站未来连续60 h的PM_(2.5)浓度。为了进一步优化预测模型的参数,引入贝叶斯优化(BO)算法,重新训练模型并进行预测。最后通过对LSTM基本预测模型和BO之后的LSTM模型的预测效果进行对比、评估和分析,发现BO算法对于预测模型时序记忆能力的提高有优化作用,预测效果更好,模型泛化能力更强。

基于增强上下文信息长短期记忆网络的弹道轨迹预测

根据己方观测数据进行弹道轨迹预测是现代陆军实施精准打击的重要一环。针对现有弹道轨迹预测方法存在精度不足且实时性不强的问题,提出一种新的增强上下文信息长短期记忆(CE-LSTM)网络轨迹预测模型,进行弹道轨迹的长期精准预测。在LSTM网络可逼近任意非线性函数且具备长期记忆能力的基础上,构建隐藏层输出混合单元提取短时上下文信息,进一步逼近弹体运动状态;通过建立不同条件下的弹道轨迹的数据集,训练得到具备最优超参数的CE-LSTM网络。实验结果表明,与弹道微分方程组的数值积分解法以及高斯混合模型相比,CE-LSTM网络在预测的精度上优于其他2种方法,预测速度提高了3~10倍,且具备较强的泛化能力。

基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测

针对弹丸非线性轨迹预测问题,提出一种基于卷积神经网络(CNN)与长短期记忆(LSTM)神经网络的混合轨迹预测模型。通过建立6自由度弹丸运动模型,并使用4阶龙格库塔法外弹道仿真,得到大量轨迹数据样本;提出CNN-LSTM神经网络的混合轨迹预测模型,并利用滑动窗口法和差分法构造输入输出的轨迹数据对,将预测问题转化为有监督的学习问题;将所提模型与LSTM神经网络模型、门控循环单元(GRU)神经网络模型和反向传播(BP)神经网络模型在同一数据集下进行仿真实验。研究结果表明,CNN-LSTM神经网络模型预测3 s后的平均累积预测误差在x轴方向约为14.83 m,y轴方向约为20.77 m,z轴方向约为0.75 m,且轨迹预测精度优于单一模型,为弹丸轨迹预测研究提供了一定的参考。

基于非负绞杀与长短期记忆神经网络的动态软测量算法

现代工业过程建模中,生产过程的多变量、非线性及动态性会导致模型复杂度增高且建模精度降低.针对这一问题,将非负绞杀算法(NNG)嵌入长短期记忆(LSTM)神经网络,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法.首先,通过参数优化生成训练好的LSTM神经网络,利用其出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对LSTM网络输入权重进行压缩,剔除冗余变量,提高模型精度,并采用网格搜索法与分块交叉验证对其超参数寻优;最后,将算法应用于某火电厂脱硫过程排放烟气SO_(2)浓度软测量建模,并与其它先进算法进行性能比较.实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能.

基于长短期记忆网络的西丽水库水质预测

西丽水库是深圳重要饮水源之一,水库的水质影响着全市人民的供水安全。为及时准确预测西丽水库水质结果,以指导水库水厂供水计划的制定,在利用自适应噪声的完备集合经验模态分解方法进行数据分解的基础上,利用长短期记忆网络(LSTM)模型,建立了基于LSTM的西丽水库水质预测模型。通过模拟计算发现,模型模拟效果较好,其中水质预测模型中总氮、氨氮及总磷的预测结果与实测结果吻合度均较高,能够很好地模拟水库水质浓度变化过程;且对于总氮和氨氮,模型的相对预报误差能控制在10%以下,说明了所建模型的合理性。研究成果可为西丽水库的水质预测及供水计划的制定提供重要模型与技术支撑。