基于Conv1D和LSTM组合模型的多步交通流量预测分析

为了提高交通流预测精度,设计一种Conv1D和LSTM相结合的多步交通流预测模型。用Conv1D获取交通流的时间与周期参数,并测试各外部因素引起的交通流量变化,再利用LSTM序列分析模型,根据上述交通流特征进行预测。研究结果表明:在加入时间信息的条件下,交通流量预测结果与实际结果间存在更大相似度,考虑时间信息影响能够获得更准确的预测结果。经过外部因素提取处理后可以获得更高精度交通流预测结果,采用Conv1D+LSTM模型可以达到比LSTM更高的精度。

集成机器学习预测算法的短期负荷预测

为了提供与电力负荷相匹配的稳定高效的能源,减少电能因难以储存而造成的浪费,提出一种基于注意力机制、一维卷积神经网络和长短期记忆网络并行结合的负荷预测模型。首先,对山西省某市的负荷特征数据预处理;然后将数据并行输入到模型中进行训练,对模型优化进而获得更准确的短期预测能力;最后将所提模型与其他预测模型在不同的时间步长下进行预测对比。结果表明,所提方法在预测中具有更高的准确率和一定的普适性。

考虑航班计划的机场短时停车需求预测

为克服现有短时停车需求模型无法直接利用于机场停车需求预测这一问题,利用停车数据、航班计划和气象信息,建立了面向机场停车场的短时停车需求预测模型。首先使用机场停车数据分析了停车场短时车辆到达与离去特性,然后考虑到航班计划对机场停车场短时停车需求的影响,将其与气象状况同时引入短时停车需求影响因素中,建立了基于Conv1 D-长短期记忆(long short-term memory,LSTM)神经网络结构的机场短时停车需求模型。以上海虹桥机场停车场为实例,Conv1 D-LSTM模型实验结果的平均绝对误差和均方根误差分别为12.057辆和14.237辆;对比多个其他模型实验结果,所构建的Conv1 D-LSTM模型预测效果更优,能有效应用于机场停车场短时停车需求预测。