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。

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。

基于CEEMDAN与改进LSTM的短期光伏出力预测

为了提高光伏出力的预测精度,提出了一种将自适应噪声完备集成经验模态分解(CEEMDAN)算法与改进的长短时记忆(LSTM)神经网络相结合的短期光伏功率预测模型。首先,利用CEEMDAN算法对光伏功率序列进行分解,得到子序列分量。然后,使用改进的LSTM神经网络对各个子序列分量分别进行预测,用粒子群(PSO)算法优化LSTM神经网络隐藏层神经元个数、学习率与训练次数,同时使用注意力机制优化训练过程中的概率分配。最后,叠加各分量预测结果,得到最终的预测值。算例分析表明,所提模型的3个预测评估指标MAE、RMSE、R2均为最佳,验证了所提模型的优越性。

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。