基于DeepAR的短期风速概率预测

为对铁路沿线风速提前进行预判,保障桥梁施工及高速铁路列车运行时的安全,提出基于深度自回归模型(DeepAR)的短期风速预测方法。采用平潭海峡公铁两用大桥和西堠门大桥实测风速进行验证,并以包括小波包分解下的卷积神经网络和循环神经网络混合模型(WPD-CNNLSTM-CNN)在内的4种模型作为点预测对比模型,以SimpleFeed-Forward、ARIMA、Random Walk模型进行置信度为50%与95%的区间预测作为对比模型。研究结果表明:无论是点预测还是区间预测,DeepAR模型都能够在具有随机性、间歇性的短期风速序列中提取到特征信号并进行精度较高的预测,且相比于其他模型具有更好的准确性与泛化能力,可满足实际工程短期风速预测需求。

基于深度学习的快时尚服装产品销售预测模型构建

为了准确预测快时尚服装产品销售量,捕捉在间歇性或异常峰值销量中的时间信息,基于深度自回归模型,引入时间注意力机制,改进其网络结构设计,构建全局时序模型对快时尚服装产品销售进行预测。研究发现:基于注意力机制的深度自回归模型,能够从所有销售数据中有效学习到服装产品销售正常值与间歇性或异常峰值的时间关联关系,能够识别复杂模式下产品销售量的短期波动与长期趋势,且性能优于其他经典模型,验证了基于深度学习构建快时尚服装产品销售预测模型的可行性。

基于Hampel-DeepAR模型的浅埋隧道洞口塌方处治变形预测研究

为评价浅埋隧道洞口段塌方处治后的安全性,基于处治后围岩变形及受力监测数据,采用Hampel滤波器处理数据异常值,结合时间序列预测DeepAR模型,建立Hample-DeepAR数据预测模型,应用于塌方处治后围岩稳定性分析,验证处治措施的有效性。结果表明,Hampel-DeepAR模型对拱顶沉降预测的MAE,MSE,RMSE,R^(2)值分别为0.0185,0.0005,0.0214,0.5648,相比DeepAR、ARIMA、SVM、LSTM、BP模型具有更高预测精度及更优的预测效果,表明采用Hample滤波器预先处理异常值的必要性,验证了Hampel-DeepAR模型的适用性。围岩位移及受力预测数值显示,拱顶沉降值为6.58 mm,周边收敛值5.89 mm,拱顶围岩压力值0.186 MPa,钢筋最大应力值152.47 MPa,二衬混凝土最大应力值1.73 MPa,处治后围岩稳定性得到较大提高,可为隧道塌方处治效果的评定提供理论依据。

产品订单分析与需求预测

需求预测是企业供应链管理的基础,高效、准确的需求预测有助于采购计划和生产计划制定,减少业务波动影响.某企业相关数据具有时序性、非线性、时间跨度大等特性.对数据预处理后,进行特征工程处理,使用MMIFS算法来量化各个特征与订单需求量间相关性.使用CRU模型、DeepAR模型和Prophet模型来针对不同时间粒度需求量建模,以时间滚动交叉检验RMSE作为模型评估标准.不规则时间序列数据,不同时间粒度趋势、波动、突变不同,适用于不同模型.交叉检验评估验证了模型有效性,表明本文方法能够有效运用于其他不规则时序需求预测问题.

基于DeepA-RRELM的池塘溶解氧时空预测方法研究

水体溶解氧(Dissolved oxygen,DO)是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响,会产生时间和空间上分布的差异,现有的溶解氧预测方法大多是针对单监测点的时间序列预测,无法描述池塘溶解氧的空间分布,因此,对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络(Autoregressive recurrent neural network,DeepAR)和正则化极限学习机(Regularized extreme learning machine,RELM)的池塘溶解氧时空预测方法。首先采用样本熵(Sample entropy,SE)衡量各个监测点溶解氧序列的波动程度,采用最大互信息系数(Maximum mutual information coefficient,MIC)衡量监测点溶解氧序列之间的相关性,综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点,并以中心监测点为原点,建立池塘空间坐标系;其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型,实现中心监测点溶解氧时间序列预测;最后采用RELM算法构建中心监测点与池塘各位置溶解氧之间的空间映射关系模型,结合中心监测点溶解氧时间序列预测值和池塘空间坐标,实现对未来时刻池塘溶解氧的空间预测。该方法在提高时间序列预测精度的同时,实现了对未来时刻池塘溶解氧空间状态的预测。在真实的数据集上进行测试,预测未来24 h的池塘空间溶解氧值,均方根误差(RMSE)为1.2633 mg/L、平均绝对误差(MAE)为0.9755 mg/L、平均绝对百分比误差(MAPE)为14.8732%。并与标准极限学习机(Extreme learning machine,ELM)、径向基神经网络(Radial basis function neural network,RBFNN)、梯度提升回归树(Gradient boosting regression tree,GBRT)和随机森林(Random forest,RF)4种预测方法进行对比,各评价指标的性能均有较大幅度提升,表明该方法有较好的预测精度和泛化能力,能够较准确地实现池塘溶解氧时空预测。

提高数据中心供能中太阳能利用效率的云任务调度优化

云计算需求在催生数据中心部署应用的同时,造成能耗高和碳排放压力,故云计算环境中可再生能源的高效利用问题被提出。针对太阳能的间歇性非稳特点,文章研究了云任务调度方法来提升数据中心供能中能源利用率。首先,构建预测太阳能产能的深度自回归模型DeepAR;然后,利用延时容忍型任务和计划工作任务在时间维度上灵活调度的特性,设计云任务调度策略和算法;最后,运用GluonTS框架使用真实任务数据集和太阳能产能数据集进行仿真实验。结果表明,计算负荷与太阳能出力的匹配性得到改善,数据中心太阳能供能的利用率得到提升。