基于EMD-BiLSTM的太平洋大眼金枪鱼渔场预报模型研究

大眼金枪鱼(Thunnus obesus)是太平洋延绳钓的主捕鱼种之一,针对多数传统预报模型存在的问题,提出了基于经验模态分解和双向长短时记忆神经网络(EMD-BiLSTM)的渔场预报新模型,以实现一种新的面向渔业应用的产量预报方法。首先,通过经验模态分解机制(EMD)对单位捕捞努力量渔获量(CPUE)序列进行分解,得到不同尺度的分解分量(IMF);然后结合各影响因子对IMF分量分别建立双向长短时记忆神经网络渔场预报模型(Bi-LSTM),使神经网络的数据处理优势得以充分发挥;最后整合各项结果作为最终预报值。结果显示:与Bi-LSTM模型相比,均方根误差和绝对误差分别降低0.053和0.018;与BP模型相比,均方根误差和绝对误差分别降低0.208和0.048。研究表明,EMD-BiLSTM模型具有较高的预报准确率,可为渔场预报相关研究提供一种新思路。

基于经验模态分解与投资者情绪的Attention-BiLSTM股价趋势预测模型

股票价格的变动是投资者在股票市场关注的焦点,所以股价趋势预测一直是量化投资研究的热门话题。传统的机器学习预测模型难以处理非线性、高频率、高噪声的股价时间序列,使得股票价格趋势的预测精度低。为了提高预测精度,针对股票价格数据的时序性特征,提出用结合经验模态分解(EMD)、投资者情绪和注意力机制的双向长短期记忆神经网络来对股票价格进行涨跌预测。首先使用经验模态分解算法提取股票价格时间序列在不同时间尺度上的特征,并通过构建金融情感词典来提取上一个股票交易日收盘后至下一个交易日开盘前文本的投资者情绪指标,最后使用注意力机制优化的BiLSTM模型对下一个股票交易日进行涨跌预测。在股票价格序列的数据集上进行实验,结果表明,改进后的BiLSTM模型较改进前的BiLSTM模型,准确率从58.50%提升至71.26%;预测为涨的精确率从58.20%提升至70.06%,预测为跌的精确率从59.34%提升至72.36%;预测为涨的召回率从59.85%提升至73.41%,预测为跌的召回率从57.73%提升至69.11%;预测为涨的F1值从58.60%提升至71.61%,预测为跌的F1值从58.08%提升至70.53%;最终通过与长短期记忆(LSTM)网络、基于Attention机制的LSTM(Attention-LSTM)、支持向量机(SVM)、极端梯度提升(XGBoost)等4种典型的股价涨跌预测模型结果对比,验证了所提模型的准确有效性。

融合微气象参数预测的输电线动态增容模型

为了挖掘输电线路的输送潜力和保障输电线路的稳定运行,提出了经验模态分解-双向长短期记忆网络-贝叶斯优化预测模型,从而实现微气象参数递推多步预测。基于预测误差建立高斯分布模型,从预测结果中选择相对保守的气象参数代入热平衡方程进行输电线动态容量计算;实现对输电线路所跨越区间中环境最恶劣部分的微气象数据日前预测,以及输电线路动态容量的保守计算。实验仿真结果表明,本文提出的动态增容技术能够在保证输电线路安全可靠的前提下,大幅挖掘现有输电线路的传输潜力,对输电网络的运行有一定的指导作用。