基于CNN-BiLSTM-AT混合模型的新能源汽车锂离子电池健康状态预测

快速准确的健康状态预测能够提高新能源汽车锂离子电池的长期使用安全性和可靠性,可为电池管理系统的优化提供可靠的数据支持。结合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(AT)技术,提出并验证了CNN-BiLSTM-AT混合模型的预测有效性。以三元锂电池和磷酸铁锂电池为例,将CNN-BiLSTM-AT模型与其他6种预测模型进行对比。结果表明:CNN-BiLSTM-AT模型在多种电池类型和不同循环次数下均表现出色,具有最低的均方根误差和平均绝对误差,且决定系数R2接近1,显著优于其他模型。

基于ARIAM-GARCH深度学习的股价预测与决策

对于绝大多数股民而言,大盘股具有投入成本高、损失大、资金流转慢等特性,为使得股民减少损失,提高收益,通过针对于中小企业股,采用两阶段的方法对股价进行了预测,给出了一种最优投资组合决策方法。第一阶段先用ARIMA-GARCH模型进行建模,提取每日收益率的波动率,再将波动率加入到原有数据集中,构建CNN-BiLSTM-AT深度神经网络模型进行预测,最后使用XGBoost算法对预测值进行修正。第二阶段在给定投资者的期望收益率的条件下,用Bayes方法进行投资组合,获取最优投资决策。实证研究表明,此方法对于选取的10只中小企业股有着较好的研究结果。