基于EEMD-LSTM的桥梁变形响应组合预测模型研究

为准确预测桥梁结构变形响应,提出了一种利用孤立森林(iForest)算法对桥梁原始变形数据进行降噪,集合经验模态分解法(EEMD)对桥梁变形数据进行分解,长短期记忆神经网络(LSTM)深度学习法对所得到的多尺度变形分量进行预测的EEMD-LSTM组合模型。以武汉沌口长江大桥作为研究对象,选取RMSE、MAE、MAPE和R^(2)等参数作为评价指标,对该模型进行了验证。研究结果表明:与单一的LSTM、SVM和Bayesian模型相比,EEMD-LSTM模型有着良好的鲁棒性、适用性和更高的预测精度。

基于EEMD-LSTM模型的BDS卫星轨道预报精度分析

为解决深度学习模型中轨道误差序列数据的噪声误差积累问题,提出EEMD-LSTM组合预测模型,并利用GEO、IGSO、MEO三类卫星数据进行轨道预报分析。结果表明,EEMD-LSTM组合预测模型在卫星轨道预报中能够有效抑制噪声的误差积累,GEO、IGSO、MEO三类卫星的轨道预报精度均有所提高,也能够有效拟合动力学模型轨道的预报误差,EEMD-LSTM组合预测模型对GEO、IGSO、MEO三类卫星的平均改进率imp分别提高2.70百分点、2.46百分点和8.33百分点。

基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究

渗压监测是土石坝渗流安全评价的重要内容之一。由于渗压受到诸多外界因素的影响,测点的渗压值时间序列往往存在非平稳性、局部突变等特点,为此基于“分解-重构-组合”的思想构建了土石坝渗压预测的EEMD-LSTM-ARIMA模型。首先采用集合经验模态分解(EEMD)对时间序列特征进行提取,根据长短期记忆神经网络(LSTM)对提取出的特征分量进行预测,同时结合差分自回归移动平均方法(ARIMA)进行残差修正,组合LSTM和ARIMA的预测结果,重构得到改进预测模型。以某深厚覆盖层上的土石坝工程为例,选取主河床坝体防渗墙后2个典型测点的实测渗压值序列为研究对象进行应用验证。结果表明:相较于单一的LSTM模型和ARIMA模型,改进模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中的最小值,预测精度明显优于另外2种模型,该模型为土石坝渗压的精确预测分析提供了新途径。

基于EEMD-LSTM-Adaboost的商品价格预测

文章将总体经验模态分解（EEMD）方法、长短期记忆（LSTM）模型和Adaboost算法相结合,构建了一个多尺度组合预测模型（EMD-LSTM-Adaboost）。在模型构建过程中,首先采用EEMD方法将商品价格序列分解为不同尺度的本征模态分量（IMF）和一个趋势项。在此基础上,提出采用LSTM神经网络和Adaboost算法相结合的方法对分解后的商品价格序列进行建模和预测,然后集成得到商品价格的预测值。并以沪金为例进行实证分析,结果表明与已有的预测方法相比,文章所提出的EEMD-LSTM-Adaboost方法预测能力更好。

基于EEMD-LSTM模型的禽霍乱预测研究

禽霍乱是一种由多杀性巴氏杆菌引起的接触性、败血性传染病,鸡、鸭和鹅等禽类均易感。由于目前我国广泛使用的禽霍乱弱毒疫苗和灭活疫苗副作用大、免疫期短且保护率低,免疫后的禽类仍有患病的风险。因此,对禽霍乱的监控尤为重要。利用MATLAB 2020b软件构建了基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和长短期记忆(long short-term memory,LSTM)模型的EEMD-LSTM组合模型的禽霍乱预测方法。利用2006年-2015年禽霍乱的发病数训练模型,预测2016年-2020年禽霍乱的发病数,并与实际发病数验证,然后通过计算实际发病数与预测发病数的线性回归系数R^(2)值和组内相关系数(intraclass correlation coefficient,ICC)值,分析实际发病数与预测发病数的一致性。结果显示,模型训练期的R^(2)值和ICC值分别为0.9935和0.997,其ICC值大于0.75并接近于1,表明该模型具有良好的预测能力,可用于预测禽霍乱的发病趋势;模型预测期的R^(2)值和ICC值分别为0.7507和0.825,其ICC值大于0.75,同时大于Landis和Koch的建议值0.80,表明该模型具有良好的可信度。该模型的建立可为禽霍乱的防控提供参考,同时也为该模型的其他应用研究提供理论依据。

基于EMD-EEMD-LSTM的大坝变形预测模型

大坝变形监测数据通常呈强波动性,针对大坝变形信息中的高频分量,提出了EMD-EEMD-LSTM模型对其中的大坝变形信息进行分析,预测大坝变形趋势。首先,选取EMD对原始大坝变形序列进行分解,得到若干分量;针对高频分量,使用EEMD对其进行分解,以挖掘蕴含其中的有效变形信息;最后以LSTM为预测模型,对上述得到的各分量进行建模分析。分析表明,EMD-EEMD模型可以有效解决了原始变形序列及高频分量的强波动性,结合LSTM在时序预测中的优越性,基于EMD-EEMD-LSTM的大坝变形预测模型具有较高精度。

基于EEMD-LSTM的区域能源短期负荷预测

短期负荷预测既是电网规划的重要组成部分,也是系统可靠、高效运行的前提和基础。采用EEMD(集合经验模态分解)方法将区域能源互联网历史负荷数据分解成若干分量,再对各个分量分别建立模型,运用LSTM(长短期记忆神经网络)设置对应的隐藏层数,对各个分量分别进行预测,最后叠加预测值得出最终预测结果。将EEMD-LSTM算法与LSTM算法、 EMD-LSTM算法以及Elman算法进行比较,结果表明EEMD-LSTM算法在区域能源互联网负荷预测中能够实现较好的预测精度,具有很好的应用前景和推广价值。

基于EEMD-LSTM模型的尾矿库风险预测模型研究

为了提高尾矿库风险预警能力,针对尾矿库稳定性受多种风险因素影响,以及风险变化的非线性,提出1种融合集合经验模态分解(EEMD)和长短期记忆(LSTM)的尾矿库风险预测模型。首先,采用皮尔逊相关系数分析尾矿库风险因素之间的相关性;然后,使用EEMD方法分解非线性的位移序列;最后,构建LSTM网络模型预测位移变化。以某尾矿库为例,将EEMD-LSTM模型与EEMD-BP模型、LSTM模型对比分析,评估模型的有效性。研究结果表明:EEMD-LSTM模型对尾矿库风险的预测精度明显提高,对防范化解尾矿库安全风险具有重要意义。

基于混沌性分析和长短期记忆神经网络的光伏功率预测方法

为了提高复杂环境下光伏功率数据的预测精度,针对光伏功率序列中存在的随机性和不确定性问题,提出了基于混沌性分析和长短期记忆神经网络(LSTM)的预测方法。混沌性分析方法包括集合经验模态分解(EEMD)和相空间重构,EEMD用于分解光伏功率序列,降低原始序列的复杂程度,相空间重构将原一维序列重构为高维状态空间下的序列,有利于提升预测精度。LSTM具有较为复杂的机制,更适合用于预测不确定性的时间序列。另外将光伏功率分为平稳型和非平稳型数据,并对这两类数据分别建立预测模型进行预测。实验结果表明,所提方法对比单一类型的预测模型和其他组合模型,都有不同程度的优势。

基于EEMD-LSTM的冷连轧机振动预测研究

针对冷连轧机振动具有非线性、非平稳,以及与当前和历史状态息息相关的特点,提出了基于集合经验模态分解(EEMD)-长短时记忆循环神经网络(LSTM)的轧机振动预测模型。采用EEMD方法将轧机振动加速度分解为若干个频率单一、相对平稳的IMF模态分量和残差分量,有效地降低了振动加速度信号的复杂性;采用具有记忆单元的LSTM网络建立轧机振动预测模型,并通过引入历史振动信息显著提高了轧机振动的预测精度。仿真结果表明,EEMD-LSTM模型较LSTM模型的预测精度提高了11%,对轧机振动有很好的预测效果,并分析了各工艺参数与轧机振动之间的定量关系,为快速抑制轧机振动、优化轧制规程提供了参考。

基于电场特征和深度学习的雷电预警方法

针对现有基于大气电场的雷电预警方法效果不佳的问题,提出了一种基于大气电场特征和深度学习算法的雷电预警方法。首先利用集成经验模态分解提取大气电场的频域特征,通过稀疏自编码器对上述提取的特征作进一步的维度压缩,并结合LSTM神经网络对是否为雷暴天气加以区分,最后利用闪电定位数据对该方法的有效性进行了检验。结果表明:该雷电预警方法可以较为准确的对雷电进行预测,且采用45 min的电场时间序列准确率最高,可以达到81%。相比传统方法,所提出的算法可针对不同地区的状况进行适应性的训练和调试,具有普适性。随着模型运行时间加长、数据量加大,可进行更新迭代,以确保预报性能不断提升。由此可见,该雷电预警方法对进一步提高广州市雷电防护水平具有参考价值和指示意义。

基于EEMD和GA-LSTM算法的行星齿轮故障诊断方法

在强烈的背景噪声下,如何较好地提取行星齿轮的微弱故障特征,这是行星齿轮故障诊断领域需要解决的难题。针对行星齿轮振动信号的非线性和非平稳性,为了提高其故障诊断的准确性,提出了一种利用遗传算法优化的长短时记忆网络(GA-LSTM)和集合经验模式分解(EEMD)的行星齿轮故障诊断方法。首先,通过试验采集了4种行星齿轮故障类型的振动信号,并采用EEMD方法将行星齿轮的原始振动信号分解为6个本征模态函数(IMF)分量,将其作为特征分量以便进一步处理;然后,使用遗传算法(GA)对LSTM网络的超参数进行了优化,以提高故障类型识别的准确性;最后,将特征分量输入到已经训练好的GA-LSTM模型中,将其网络模型作为最终分类器,对行星齿轮进行了故障诊断识别,并通过对比未经优化的网络,以及在原始信号中人为地加入噪声模拟的实际工程信号,验证了基于EEMD和GA-LSTM算法的有效性和泛化性。研究结果表明:训练后的网络实现了不到2%的损失率,具有良好的稳定性,GA-LSTM方法故障分类精度达到了94.17%;与未经优化的网络相比,GA-LSTM模型的验证精度高于LTSM,该网络模型在所有分量上都表现出更好的时序性能,在识别添加了噪声的工程信号时,也能保持较高的故障诊断精度,从而表明其在行星齿轮故障诊断中的优越性。该研究在提高机械传动设备故障诊断能力方面有一定的理论参考价值。

深度学习LSTM模型的电离层总电子含量预报

针对TEC时间序列高噪声、非线性和非平稳的动态序列的特性,基于分解-预测-重构的思想,运用总体经验模态分解和深度学习长短期记忆神经网络,构建了EEMD-LSTM预测模型。同时,以测试集上预测结果的均方根误差最小为目标,运用多层网格搜索算法对EMD-LSTM预测模型进行参数优选。以IGS中心2015年全年1 h时间尺度的TEC格网数据进行实验分析,结果表明,EEMD-LSTM组合模型的预报结果能够很好的反应电离层TEC的变化特性,在低、中、高纬度地区平均预报残差分别为1.37、0.82和0.96个TECu,预测平均相对精度分别为92.8%、91.9%和87.8%。

基于二次EEMD的工业电能需量多步预测

电力大用户最大需量控制是降低电网峰值负荷、节约用户电费成本的重要技术手段。面向强波动性和冲击性工业电能需量控制,研究了超短期需量负荷的多步预测问题。基于集成经验模态分解(EEMD)方法,通过二次分解有效分离时间序列中不同频率的信号,采用长短期记忆网络(LSTM)对各信号子序列进行独立预测,最后组合预测结果。实验结果表明,本方法能很好的预测工业需量负荷变化,MAPE/MAE/NRMSE精度指标基本控制在2%以内,明显优于多种现行主流时序预测模型和最新文献方法,且消除了多步预测的传递误差,预测模型精度和稳定性满足需量控制要求。

高速列车横向蛇行失稳的EEMD-CNN-LSTM预测方法

高速列车运行时出现横向蛇行失稳严重威胁到列车运行安全。目前大多数方法主要为蛇行失稳的在线识别,而忽略从正常到蛇行失稳过程中的小幅蛇行阶段。为此,提出一种EEMD-CNN-LSTM方法来预测小幅的演变趋势,进而分析是否会发生蛇行失稳。并且基于相关系数与能量特征提出一种新的指标来挑选EEMD的最优模态。该方法首先通过集合经验模态分解(ensemble empirical mode decomposition,EEMD)对原始信号分解得到n阶固有模态(intrinsic mode functions,IMF),然后挑选m阶最优的固有模态分量,最后将最优模态分量输入到构建的CNN-LSTM神经网络模型,并输出结果。根据在线实测数据实验结果:提出的方法能够准确预测小幅蛇行的变化趋势,预测准确率达到100%,且计算速度优于EEMD-LTSA方法,证明该方法的有效性。

基于EEMD-MIPCA-LSTM的燃气短期负荷预测

燃气负荷受到天气状况和经济发展等多种因素的影响,造成燃气变化趋势具有较大的复杂性和特征因子较大的冗余性,造成预测精度的下降.为了解决这个问题,在处理燃气负荷的复杂性中使用EEMD自适应的时频局部化分析方法,将非线性非平稳的燃气负荷数据分解为平稳的本征模式分量及剩余项.在解决特征因子之间的冗余性中,在PCA中加入互信息分析,使用互信息代替协方差矩阵的特征值选择特征向量,可以有效避免PCA仅仅考虑特征之间的相关性,忽略了与燃气负荷值关系的缺点.最后针对不同的子序列建立对应的LSTM模型,重构各个分量的预测值产生最后的结果.使用上海的燃气数据进行验证,实验结果证明本文提出的方法测试集MAPE达到6.36%,低于其他模型的误差.

基于集合经验模态分解和深度神经网络模型的天津港风速预测研究

风是天津港区域重点关注的气象要素之一,风速的预测准确性是港口安全生产的关键,为此提出了一种基于改进的经验模态分解(EMD)和神经网络模型(LSTM)的风速预测方法。EMD已广泛应用于分析非线性随机信号,集成经验模态分解(EEMD)是EMD的一种改进方法,可以有效处理模态混叠问题,并将原始数据分解为具有不同频率的更平稳的信号,每个信号均作为LSTM神经网络模型的输入数据,最终的预测风速数据则是通过汇总单个信号的预测数据而获得。以天津港区域2017年的站点实测风速为例,研究表明该混合方法比欧洲中心数据集(ERA)模式预报数据更加准确,该方法可以提高预报的准确性,适用于天津港区域的短期风速预报。

基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

氮氧化物(NOx)是催化裂化(FCC)装置再生烟气中的主要污染物之一,准确预测NOx的排放浓度可有效避免炼化企业污染事件的发生。鉴于污染物排放数据具有非平稳、非线性和长记忆等特性,为了提高污染物排放浓度预测精度,提出一种基于集合经验模态分解(EEMD)和长短期记忆网络(LSTM)的耦合模型。将NOx排放浓度数据经过EEMD为若干个固有模态函数(IMF)和一个残差序列;根据IMF子序列与原始数据之间的相关性分析,剔除极弱相关的信号分量,有效减小原信号数据中的噪声;将IMF序列集分为高、低频两部分,分别进入不同深度的LSTM网络;最终,将子序列的预测结果反变换得到NOx排放浓度。实验表明,在催化裂化装置NOx排放预测中,对比LSTM的表现,EEMD-LSTM耦合模型在均方误差(MSE)、平均绝对误差(MAE)分别减小了46.7%、45.9%;在决定系数R;上增大了43%,实现了更高的预测精度。

基于改进LSTM网络的空气质量指数预测

文章主要研究空气质量指数(AQI)预测的问题,由于大气中含有PM_(2.5)、CO以及SO_(2)等多种污染物,数据进行分解,得到IMF分量和残余分量;又因为绝大多数的时间序列数据中既包含线性关系又包含非线性关系,而传统的LSTM网络针对线性数据可能产生过拟合现象,为此提出改进的LSTM网络,以加强对线性关系的表示。实验结果表明,将EEMD与改进的LSTM网络相结合形成的组合预测模型比传统模型的泛化能力更强、预测精度更高。

基于深度学习的全球平均表面温度年际信号时间序列的预测

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF)。在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究。结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2~6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变。通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一。