基于ZOA CNN GRU模型的煤层底板突水等级预测

针对传统循环神经网络煤层底板突水等级预测模型存在预测精度低、模型参数过多造成模型训练速率下降和出现过拟合现象等问题,引入斑马优化算法对卷积神经网络和门控循环单元神经网络的组合模型进行优化,建立ZOA CNN GRU神经网络煤层底板突水等级预测模型。为验证模型的可行性,采用九龙矿区煤层底板突水数据对模型进行训练,并将所建模型和CNN GRU神经网络以及GRU神经网络进行对比分析。研究结果表明:与CNN GRU神经网络和GRU神经网络模型相比,ZOA CNN GRU神经网络模型预测准确率最高,达到98%,且ZOA CNN GRU神经网络模型稳定性、泛化能力均优于对比模型。

基于CNN-GRU-LightGBM模型的单井产量预测方法

单井日产量趋势预测研究在油田生产中具有重要意义。由于油井生产工况复杂,难以准确预测日产量,建立了基于多变量时序数据的产量模型。基于卷积门控循环单元(convolutional neural network-gate recurrent unit,CNN-GRU)提取深层特征进行时序预测,基于梯度提升框架的集成模型(light gradient boosting machine,LightGBM)从回归预测角度进行预测,两者结果相互融合,进一步提高产量预测精度。同时,提出了一种可以实现多变量时序预测或回归预测模型在未知输入特征情况下准确预测产量的方法—超前参数递归预测策略。采用该方法对影响产量的重要特征进行超前预测,并将预测到的重要特征应用于预测产量的仿真测试中。仿真结果表明:本文模型与超前参数递归策略配合最好,在测试集上的预测准确度最高。相比单变量时序预测和回归预测模型,可显著提高预测精度。

基于CNN-GRU模型的USV运动姿态多步预测方法

针对单一模型在预测无人水面艇(Unmanned Surface Vessel,USV)运动姿态时精度不高的问题,提出一种基于卷积神经网络(CNN)和门控循环单元(GRU)的USV姿态多步预测模型。首先,使用滑动窗口法构造运动姿态数据集作为模型输入;然后,使用CNN模块挖掘时序数据的局部特征;最后,使用GRU模型进行多步预测。使用实测USV运动姿态数据进行预测实验,实验结果表明,该模型比XGBoost模型、单一LSTM模型和单一GRU模型具有更高的预测精度,各项评价指标表现更佳,具有重要的应用价值。

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.

基于VMD和优化CNN⁃GRU的锂电池剩余使用寿命间接预测

准确预测锂电池的剩余使用寿命(RUL)对降低电池使用风险有着至关重要的作用。为了解决电池容量在实际应用中不易获得以及单一门控循环神经网络(GRU)不能有效提取数据间的深层特征等问题,提出一种基于间接健康因子的混合神经网络模型,即融合变分模态分解(VMD)、一维卷积神经网络(1D‐CNN)和麻雀搜索算法(SSA)优化GRU的组合剩余使用寿命预测模型。采用NASA数据集验证所提模型的有效性,实验结果表明,相比于GRU、VMD‐GRU、VMD‐SSA‐GRU,所提模型具有较高的预测精度与更快的运行速度,可以应用于锂电池RUL预测。

基于自适应多尺度注意力机制的CNN-GRU矿用电动机健康状态评估

利用多传感器信息融合技术进行电动机健康状态评估时,矿用电动机监测数据中存在异常值和缺失值,而卷积神经网络和循环神经网络等深度学习模型在数据质量下降严重的情况下难以有效提取数据特征和更新网络权重,导致梯度消失或爆炸等问题。针对上述问题,提出了一种基于自适应多尺度注意力机制的CNN-GRU(CNN-GRU-AMSA)模型,用于评估矿用电动机健康状态。首先,对传感器采集的电动机运行数据进行填补、剔除和标准化处理,并以环境温度变化作为依据对矿用电动机运行数据进行工况划分。然后,根据马氏距离计算出电动机电流、电动机三相绕组温度、电动机前端轴承温度和电动机后端轴承温度等健康评估指标的健康指数(HI),采用Savitzky–Golay滤波器对指标HI进行降噪、平滑、归一化处理,并结合主成分分析法计算的不同指标对矿用电动机的贡献度,对指标HI进行加权融合得到矿用电动机HI。最后,将矿用电动机HI输入CNN-GRU-AMSA模型中,该模型通过动态调整注意力权重,实现对不同尺度特征的信息融合,从而准确输出电动机健康状态评估结果。实验结果表明,与其他常见的深度学习模型CNN,CNN-GRU,CNN-LSTM,CNN-LSTM-Attention相比,CNN-GRU-AMSA模型在均方根误差、平均绝对误差、准确率、Macro F1及Micro F1等评价指标上更优,且预测残差的波动范围更小,稳定性更优。

基于GRU-CNN双网络输出构建BP模型的径流预测方法

提高径流预测精度是避免洪水灾害发生的重要手段,由于预测阶段并无已知有效样本,给预测工作带来难度,因此,提出以双网络输出为预测阶段提供数据参考,结合训练阶段双网络输出与真实值之间的关系,对预测阶段采用二次多变量建模实现径流预测。首先,构建GRU和CNN深度学习网络,同步输出2条径流预测序列;其次,在已知时段内,构建2条预测结果与实测值之间的多变量BP模型;最后,基于双网络输出预测值,通过确定的BP模型输出径流预测结果。经测试,该方法给预测时段提供了可靠的先验样本,高效学习了网络输出与真实值之间关系,预测精度显著提升。

基于CNN-GRU的移动APP流行度预测模型

移动APP流行度预测对应用推荐、广告投放等意义重大。但是现有方法大多依赖手工特征工程,工作量大且效率较低。为此,提出一种基于深度神经网络的移动APP流行度预测模型。利用最大信息系数进行特征相关性分析以确保特征选取有效性,结合历史流行度特征,通过门控循环单元(gate recurrent unit,GRU)和注意力机制构建长期演化模型来推演发展趋势,基于多尺度卷积神经网络(convolutional neural networks,CNN)和注意力机制构建短期波动模型以实现预测动态优化,结合其他重要特征利用GRU和注意力机制建立多因素影响模型。通过时间注意力模块将上述模型融合,实现流行度预测。实验结果表明,所提模型在移动APP流行度预测方面相对更为精准有效。

一种基于改进CNN-GRU的建筑冷负荷单步预测方法

在智能建筑环境中,准确的建筑负荷需求预测对建筑能源管理至关重要。这在拟定高效的需求调度策略方面担任着重要角色,它提高了建筑能源利用效率,挖掘了建筑节能潜力。将卷积神经网络(CNN)和门控循环单元(GRU)作为基础模型,提出了一个混合深度神经网络模型,并使用批标准化和Dropout进行改进,以准确预测公共建筑的未来1 h冷负荷需求。所提出的模型有着良好的短期记忆能力,可以高效学习数据的时间依赖性,并充分利用少量的输入特征以获得高预测精度。所提出的模型在实际建筑中进行了实验验证。结果表明,应用批标准化和Dropout有助于CNN-GRU更有效地学习。从这个角度上看,冷负荷预测的RMSE值从310.02降低到261.87,MAE值从230.83降低到206.23,MAPE值从9.68%降低到8.51%,R2值从0.76提高到0.83。与其他基准模型相比,改进CNN-GRU获得了最好的预测性能。

基于CNN-GRU的文本数据特征提取及其分类技术设计

针对当下中文文本分类中存在的文本特征提取不足、分类准确率低等缺点,提出一种基于E-TF-IDF(Expand-Term Frequency-Inverse Document Frequency,E-TF-IDF)的关键词提取模型和CNN-GRU(Convolutional Neural Networks-Gated Recurrent Unit,CNN-GRU)的文本分类模型。该模型能够根据关键词邻近词语的出现概率中进行拓展,以实现更好的关键词特征提取。CNN-GRU更适用于序列分类且其具有更少的参数,能够减小在小数据集下的过拟合风险。最终的实验结果显示,CNN-GRU的分类精度较高,平均可达97.88%。

基于PSO-CNN-GRU模型的无人机短期航迹预测

针对无人机(Unmanned Aerial Vehicle,UAV)航迹预测问题,为了提升航迹预测的收敛速度和精度,论文提出了一种基于粒子群算法优化,卷积神经网络与门控循环单元网络相结合的PSO-CNN-GRU无人机航迹预测模型。为了解决神经网络人工调参难以获得最优解的问题,通过PSO算法进行自动调参,对GRU网络的隐藏层规模、学习率、批训练大小等参数进行优化,避免形成局部最优解;针对历史关键信息与重要特征的提取问题,通过CNN网络提取变量间的局部依赖关系,实现隐藏特征的挖掘。实验结果表明,与原始GRU模型相比,PSO-CNN-GRU模型的MAE、MSE的值分别降低了65.13%、73.25%,有着较好的准确性与鲁棒性。

一种GRU结合CNN的网络流量分类算法研究

循环神经网络(Recurrent Neural Network,RNN)结合卷积神经网络(Convolutional Neural Network,CNN)的混合算法在流量分类问题上的表现往往优于单一深度学习算法。文章基于CICIDS2017的原始流量数据,先进行预处理,再利用CNN模型学习数据流的空间特征,将数据流中所有数据包的CNN输出作为门控循环单元(Gated Recurrent Unit,GRU)的输入,学习网络流的时间特征,最后通过Softmax分类器获得分类结果。经过测试,在此数据集下,提出的双网络结合算法可以在更少的步数内达到数据流量分类的高准确率。

基于CNN-aGRU融合模型的尾矿坝浸润线预测方法

为预防尾矿库溃坝安全事故,关联分析在线监测数据的深度,提出将卷积神经网络(CNN)与门控循环单元(GRU)融合的尾矿库浸润线安全态势预测方法,以掌握坝体的稳定性状况与安全发展态势。该方法综合考虑尾矿库监测数据复杂非线性和时序关联性等特点,利用一维卷积神经网络(1D CNN)模型获取多源数据的局部关联特征和空间特征,并利用GRU模型获取浸润线数据的时序特征,采用自适应矩估计权重衰减优化算法(AdamW)优化模型梯度的自适应性,提高预测模型泛化能力和预测精度,并以河南洛阳某金属露天钼矿尾矿坝进行试验验证。试验结果表明:对比传统BP神经网络、长短期记忆网络(LSTM)、GRU等预测模型,该预测模型在平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、R 2几项关键指标上,分别达到0.01391562、0.005432、0.000045、0.006702、0.998334,实现对浸润线变化态势快速精准预测。

基于CNN-GRU的混凝土大坝扬压力预测模型研究

为准确预测混凝土大坝扬压力的变化趋势,基于扬压力历史监测数据,通过卷积神经网络(CNN)自动获取大坝历史监测数据在高维空间的联系,建立大坝环境量与扬压力的映射关系,结合门控循环单元(GRU)处理长时序监测数据的优越性,构建CNN-GRU扬压力预测模型,并以某大坝为例进行模型性能验证。研究结果表明:本文提出的模型在4个测点的MAE分别为0.1554,0.03976,0.2306,0.1827 m,RMSE分别为0.0272,0.05485,0.2916,0.2128 m,能够高精度地演绎扬压力整体及局部拐点上的变化趋势,其预测性能明显优于PSO-BP、BBO-SVM、GRU、LSTM模型。研究结果可为大坝安全监测提供支撑。

基于S2S-CNN-GRU的机场离港航班延误预测

为解决空中交通管理中机场离港航班延误预测难题,采用序列到序列(S2S)框架将门控单元循环网络(GRU)和卷积神经网络(CNN)相结合,提出一种基于S2S-CNN-GRU的航班延误预测模型,主要采用序列到序列的框架结构,利用CNN来捕获机场航班延误状态的结构化特征,作为编码器的输入,利用GRU捕获延误状态的时间特征,并作为解码器输出预测结果,提高预测的准确性。采用美国实际数据检验该模型的有效性,并同其他模型进行对比。结果表明:基于S2S-CNN-GRU的航班延误预测模型预测的平均绝对误差(MAE)为3.03,均方根误差(RMSE)为5.82,明显优于其他模型的预测效果。

基于EEMD-CNN-GRU的短期风向预测

为了提高短期风向的预测精度,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元网络(Gated Recurrent Unit,GRU)的混合模型:EEMD-CNN-GRU.针对风向序列的随机性和不平稳性等特点,先利用EEMD将数据分解成多个分量;再运用CNN的局部连接和权值共享来提取分量中的潜在特征;最后,使用GRU对CNN所提取的潜在特征进一步构建特征,叠加各分量的预测值,得到最终预测结果.实验结果表明:相对于BP神经网络和长短期记忆网络(Long Short-Term Memory,LSTM)等其他模型,本文所提出的预测方法取得了良好的性能.

基于GRU-CNN模型的云南地区短期气温预测

为了利用较少的预测数据提高短期温度预测精度,将CNN(卷积神经网络)与GRU(门控循环单元网络)相结合,开展了深度学习技术在云南地区的日最高最低气温预测的应用;提取了云南地区8个站点1980-2019年的日度最高最低气温数据,将过去三十天的最高最低气温数据进行预处理后输入CNN、GRU与GRU-CNN模型进行训练,最终利用训练好的模型对站点未来三天的最高最低气温进行预测。在利用RMSE(均方根误差)和MAE(平均绝对误差)对预测效果进行评价后,结果显示GRU-CNN模型的预测效果显著优于CNN模型和GRU模型。GRU模型可以提取序列的时间变化特征,而CNN可以提取数据空间变化的深层局部特征,二者的结合提高了模型的适应能力,让模型可以应对诸如气温预测等复杂的深度学习问题。

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.

基于Attention机制的CNN⁃GRU配网线路重过载短期预测方法

随着用户用电需求增加,迎峰度夏期间配网线路重过载较严重,为电网运行增加安全隐患。实现配网线路重过载短期预测,对合理安排负荷高峰时期运行方式和调度管理以及线路的安全运行具有重要意义。文中提出一种基于注意力(Attention)机制的卷积神经网络(CNN)—门限循环单元神经网络(GRU)组合预测模型。结合高相关性时间段的历史线路负载率数据和气象因素作为输入特征,利用CNN处理多源数据并提取有效特征作为GRU的输入,再通过GRU对时序特征集进行分析预测,利用Attention机制对重要数据分配更多的注意力权重,实现配网线路负载率的回归预测,最后根据负载等级划分标准将负载率预测结果转化为负载等级。使用所提方法对上海市某区某10 kV线路数据进行实验。实验结果表明,该预测方法比相同模型结构但以负载等级为输入的重过载分类预测,更适用于配网线路重过载预测。