基于时序聚类CEEMDAN-LSTM的轨道短时客流预测

目的:高效精确的短时客流预测是城市轨道交通运营管理的重要前提,为提高短时客流预测精度,提出一种基于时序聚类的CEEMDAN-LSTM组合模型。方法:以DTW距离为度量标准,采用Kmeans算法对客流时序进行分类,在此基础上通过CEEMDAN算法进行时序分解以弱化样本噪声干扰,再将分量输入到LSTM模型中进行预测。结果:CEEMDAN-LSTM模型在3类客流时序下的预测误差均小于其他4个基线模型,并能有效反映短时客流的变化趋势;考虑时序聚类的预测模型的预测精度与时效性均优于不分类下的预测模型。结论:以合肥南站地铁的短时进站客流数据为例进行实证分析,证实客流时序聚类对预测精度提升的贡献,并与SARIMA、RF、XGBoost、LSTM等4个预测模型比较,CEEMDAN-LSTM模型具有较高的预测精度,且能有效反映实际客流曲线的变化趋势。

基于CEEMDAN-LSTM模型的污水处理厂N_(2)O排放预测研究

在我国实行“双碳”战略的背景下,污水处理厂N_(2)O排放预测对于污水处理厂的碳中和有积极意义。现有的污水处理厂N_(2)O排放预测研究通常直接采用基于包含噪声的N_(2)O排放量数据进行建模预测,导致模型预测精度不高。采用自适应噪声完备集合经验模态分解-长短期记忆网络(CEEMDAN-LSTM)模型,通过引入CEEMDAN方法缓解数据中噪声对模型的影响以提高模型预测精度,对污水处理厂N_(2)O排放进行预测并在预测验证集上验证模型。与LSTM、门控循环单元(GRU)、人工神经网络(ANN)和支持向量机(SVM)模型相比,CEEMDAN-LSTM预测精度最高,均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为5 497.11、56.55和1.22%,能够更高精度地预测N_(2)O排放量,为污水处理厂采取合适的碳中和策略提供理论支撑。

基于CEEMDAN-LSTM的滑坡位移预测

建立滑坡地质灾害高精度的位移预测模型对滑坡灾害的提前预报十分重要,并且滑坡变形具有阶梯状曲线特性,通常具有隐性的周期性。因此,以三峡库区白水河新滩滑坡为例,基于阶梯状滑坡位移的内在季节性特征,提出了一种基于自适应白噪声的完整经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和长短时记忆网(Long Short-Term Memory,LSTM)的位移预测方法。首先利用CEEMDAN将滑坡累计位移分解为趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用LSTM模型预测周期项位移,最后将各分量位移累加得到最终的模型计算。结果表明,CEEMDAN-LSTM模型具有精确度较高的预测效果。

基于CEEMDAN-LSTM的桥梁变形时间序列预测研究

针对桥梁变形时间序列的高度复杂性和数据间的强相关性导致预测精度低的问题,在LSTM网络的基础上引入CEEMDAN分解算法,构建了一种基于CEEMDAN-LSTM的桥梁变形时间序列预测模型。首先利用CEEMDAN对桥梁变形时间序列进行分解,然后利用LSTM对分解得到的各子序列进行训练预测,最后叠加各子序列预测值得到模型的最终预测结果。利用某大桥南索塔X方向的变形时间序列数据对预测模型进行检验分析,并将预测结果与单一LSTM网络和EMD-LSTM模型的预测结果进行对比。结果表明,基于CEEMDAN-LSTM的桥梁变形时间序列预测模型精度高、实用性强。

基于CEEMDAN-LSTM的股票市场指数预测建模研究

为满足主动型量化投资对股票市场指数高精度预测的要求,将自适应噪声完备集合经验模态分解(CEEMDAN)引入到股市指数预测建模中,结合长短期记忆网络(LSTM)对复杂序列中长期依赖关系高效的建模能力,采用“分解—重组—预测—集成”思路,提出一种股市指数集成预测方法CEEMDAN-LSTM。运用CEEMDAN对指数进行分解与重构,获得其高、低频分量及趋势项;分别构建各分量的LSTM预测模型并优化高频子序列IMF重组方式,进而通过加和集成各分量预测值获得指数的整体预测值。以沪深300等5个代表性的股市指数为测试数据,对CEEMDAN-LSTM与主流的金融时序机器学习建模方法的预测效果进行系统的对比实验,结果表明:CEEMDAN-LSTM的预测表现一致性地优于现有建模方法,具有更低的预测误差和滞后性。

基于3σ-CEEMDAN-LSTM的空间负荷预测方法

为有效利用从配电网采集的海量数据以及改善空间负荷预测效果,提出一种基于3σ准则、自适应噪声完备集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的空间负荷预测方法。基于3σ准则对每个Ⅰ类元胞的实测负荷数据进行奇异值检测和处理;运用CEEMDAN技术将处理后的Ⅰ类元胞负荷数据分解为若干个频率和幅值均不同的本征模态函数(IMF);分别对每个IMF分量构建LSTM模型进行预测;将所有IMF分量预测结果进行线性叠加,得到目标年基于Ⅰ类元胞的空间负荷预测结果,在此基础上使用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间负荷预测结果。算例分析结果验证了所提方法的正确性和有效性。

基于CEEMDAN-LSTM组合方法的海平面变化预测分析

为提高海平面变化预测精度,将自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆网络(LSTM)相结合,采用“分解-预测-重组”思路,提出一种海平面变化预测组合方法CEEMDAN-LSTM。结果表明,相对于直接使用LSTM神经网络进行预测(MAE=16.87 mm, RMSE=21.51 mm),以及已有的EEMD-BP神经网络组合方法(MAE=10.4 mm, RMSE=15.44 mm),CEEMDAN-LSTM组合方法预测表现最优(MAE=8.89 mm, RMSE=11.34 mm),具有最低的预测误差。

基于CEEMDAN-LSTM组合的兰州空气质量指数预测

针对兰州空气质量指数存在波动大和数据长期依赖性的问题,提出了一种基于CEEMDANLSTM组合的预测模型,并与EEMD-LSTM和LSTM模型进行了比较。首先采用CEEMDAN对兰州空气质量指数序列进行分解,然后使用LSTM神经网络预测得到各个分量,最后叠加各分量的预测值重构空气质量指数预测结果。实验结果表明,CEEMDAN-LSTM模型相比于LSTM模型和EEMD-LSTM模型,具有更小的预测误差和更高的预测精度。这得益于CEEMDAN方法的有效降噪和LSTM模型对长期依赖关系的强大处理能力。因此,该组合模型在兰州空气质量指数预测方面具有一定的实用价值。

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强,传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度,提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列,利用CEEMDAN将其分解为多个固有模式函数(IMF),降低其非稳定性;采用LSTM网络分析各分量时序特征,获得多个预测结果;将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习,获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析,结果表明,所提方法能够准确掌握负荷变化的规律,且在一天负荷预测问题中精度达到97.32%。

一种基于CEEMDAN-LSTM组合的水体溶解氧预测方法

为了对水体含氧量进行更好的监测,提高溶解氧含量预测精度,采用“先分解再集成”的结构,提出了CEEMDAN-LSTM组合预测模型。首先利用CEEMDAN得到分解后的各个分量,然后对每个分量进行LSTM建模预测,最后对所有的预测结果进行集成,得到最终预测结果。该模型解决了单个LSTM模型预测的延迟性,与单个LSTM预测模型相比,其拟合优度(R2)提高了3.3%,其余误差指标也均有所降低,预测精度得到了有效的提升;与其他模型相比,也更具优越性。

基于CEEMDAN-LSTM的陶岔渠首水深预测

采用基于自适应噪声的完全经验模态分解-长短期记忆神经网络模型(CEEMDAN-LSTM)对水深进行预测。首先利用中位值平均滤波法对数据进行预处理,再采用CEEMDAN方法对历史水深序列进行分解获得历史水深的高、低频以及残差序列,然后对得到的各个分量使用LSTM神经网络预测,最后叠加各分量预测值重构水深预测结果。以陶岔渠首为研究对象,CEEMDAN-LSTM模型测试结果表明:该模型相比支持向量机回归、BP神经网络、长短期记忆神经网络、经验模态分解-长短期记忆神经网络模型有更强的预测性能。

基于CEEMDAN-LSTM风暴潮潮位预测分析研究

该文采用自适应噪声完全集合经验模态分解-长短期记忆方法(CEEMDAN-LSTM)对风暴潮潮位进行短期时间序列预测,并与常用机器学习模型进行对比分析,结果表明:基于CEEMDAN-LSTM的神经网络对工程区风暴潮潮位的短期特征能进行高精度的预报,其稳定性和精度较常规机器学习模型都有较大的改进。

一种改进的CEEMDAN-LSTM-Neural Prophet Net模型:用于COVID-19背景下我国月度消费预测

针对社会消费品零售总额(total retail sales of consumer goods,TRSCG)月度预测中存在突变点情况下的样本外预测精度低等问题,本文构建了CEEMDAN-LSTM-Neural Prophet Net组合模型,开展了不同情景下的月度TRSCG样本外预测,并比较了该模型与Neural Prophet、BP Network等7种常用模型的预测精度.结果表明:深度学习模型表现出对非线性一般数据的良好适应能力,其对数据的分类识别及组合预测效果俱佳;CEEMDAN-LSTM-Neural Prophet Net组合模型在有突变点的样本外预测中表现更佳,且该预测模型在不同国家的TRSCG.不同的预测指标及学习比例上均具有一定的稳健性.本文为存在突变点的时间序列分析和样本外预测提供了新思路.

基于特征分解与Bi-LSTM-Attention模型的风向预测

为便于精准控制风电机组的偏航角度、充分利用风能提高机组发电量,提出一种基于历史数据深度学习的风向超短期预测方法。首先利用变分模态分解将风向数据分解成多个子序列,考虑分解后的残差分量仍保留大量信号特征,进一步采用自适应噪声完备集合经验模态分解方法对残差分量进行二次分解。在此基础上,结合风速、环境温度等特征,利用具有注意力机制的双向长短期记忆网络对风向进行超短期预测。采用河北某风电场SCADA真实数据,对风向进行5min的超短期预测实验,并与其他方法进行对比,结果表明所提方法具有更好的风向预测效果。

基于量子行为花朵授粉算法优化LSTM模型

针对传统花朵授粉算法(flower pollination algorithm, FPA)受初始参数影响较大、且易陷入局部最优解或算法无法收敛等问题,提出一种基于量子行为的花朵授粉算法(quantum-inspired flower pollination algorithm, QFPA).通过引入量子系统到FPA中,使授粉过程中的搜索更高效,从而提高全局搜索能力.此外,还引入轨迹分析,使种群能更好地逃离局部最优解,进一步降低误差.为验证该方法的有效性,先通过选定的几个基准函数对QFPA进行评估,然后采用评估效果最好的QFPA对长短期记忆网络(LSTM)模型超参数进行寻优,最后在用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)算法去除噪声后的空气质量数据集上进行实验,并与其他几种常用的优化算法进行对比.实验结果表明:QFPA提高了优化算法的全局搜索能力和收敛性;QFPA-LSTM模型增强了长时间序列数据预测的准确性和效率,该模型预测的均方根误差为10.93μg/m^(3),为实际应用中的空气质量预测提供了可靠的解决方案.

基于状态划分和集成学习的轴承剩余使用寿命预测模型

针对滚动轴承剩余使用寿命(RUL)预测退化起始时间(DST)难以确定,以及单一寿命预测模型精度比较低的问题,提出了一种基于状态划分和集成学习模型的滚动轴承RUL预测方法。首先,提取了轴承振动信号的特征,利用滑动窗口不断更新3σ准则预警范围,结合连续触发机制自适应确定DST;然后,采用具有自适应噪声的完全集成经验模态分解(CEEMDAN)对退化阶段信号序列进行了自适应分解;最后,构建了集成学习模型,考虑分量的不同特性进行了多步滚动预测,融合预测结果得到了轴承RUL,采用滚动轴承XJTU-SY公开数据集进行了试验验证。研究结果表明:与基于长短时记忆神经网络(LSTM)、反向传播神经网络(BPNN)的预测方法相比,该方法预测结果的平均绝对误差分别降低了11.7%以及5.6%,相对均方根误差分别降低了12.2%以及10.7%,验证了该方法在轴承RUL预测中的有效性和优越性。

基于CEEMDAN和优化LSTM模型的碳价波动率预测研究

本文以北京碳配额交易价格实际波动率为研究对象,构建以自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和长短期记忆网络(long short-term memory networks,LSTM)为基础的混合预测模型,采用粒子群优化算法(particle swarm optimization,PSO)确定模型结构参数。实验结果证明:该模型具备提取多尺度复杂时间序列波动趋势和有效处理金融时间序列的优点,粒子群算法对预测模型结构参数的优化避免了因参数选取不当导致的拟合问题,该模型在碳价波动率预测方面具备较高的准确性和稳定性。

基于分解重构的欧盟碳排放权市场波动率预测研究——新冠疫情、俄乌冲突背景下

碳排放权交易系统受多种因素影响具有强非线性、强波动性等特点,碳排放权收益波动率的预测极具挑战性。近年来突发的新冠疫情和俄乌冲突对碳市场带来了前所未有的冲击。以GARCH(1,1)波动率作为欧盟碳排放权的“真实”波动率,针对近几年动荡不安的碳市场,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)、样本熵(SE)、支持向量回归(SVR)、长短时记忆神经网络(LSTM)的波动率复合预测模型,即CEEMDAN-SE-SVR/LSTM/LSTM。该模型通过CEEMDAN和SE捕捉碳排放权波动率不同时间尺度上的特征,利用传统机器学习SVR在小样本上的鲁棒性以及深度学习LSTM模型长记忆特征对波动率实现精准预测。以近期欧盟EUA期货数据为样本进行了实证分析,结果表明,CEEMDAN-SE-SVR/LSTM/LSTM模型预测精度和鲁棒性优于其它参考模型。

基于CEEMDAN混合WTD-XGBoost-LSTM的电厂锅炉主蒸汽压力预测

提出了一种电厂锅炉主蒸汽压力预测的方法,该方法基于自适应噪声完备集合经验模态分解CEEMDAN,并对复杂高频分量进行小波降噪WTD处理,随后针对不同分量特征分别构建极限梯度提升XGBoost和长短时记忆LSTM网络模型进行预测,最后叠加获得最终预测结果。并选择多种对比模型,使用实测数据对比预测效果。结果表明,所提模型在时间滞后性和预测准确性方面均优于其他模型,具有较强的工程应用意义。

基于机器学习模型的兰州市月降水量预测研究

月降水量的精确预测对于国民生产、防灾减灾有重大意义,然而单独的模型难以完成准确预测降水的任务。本文把自适应噪声完备集合经验模态分解(CEEMDAN)分别与误差反向传播模型(BP)和长短期记忆神经网络(LSTM)结合起来,以兰州市降水数据为例,与单一的LSTM模型、差分整合移动平均自回归模型(ARIMA)和BP模型的性能进行比较。结果表明,两个复合模型有效提高了观测值和预测值的拟合度,克服了峰值预测精度不高的问题,显著优于对比模型。