基于EMD-LSTM人工神经网络的云冈石窟环境参数预测

环境参数会直接影响石窟的风化过程,因此,预测环境参数是进行云冈石窟有效保护的重要内容.以云冈石窟第十窟为例,将壁温、环境湿度、环境温度的实测时序数据作为环境参数,使用经验模态分解(empirical model decomposition,EMD)对实测时序数据进行分解,研究了固有模态函数(intrinsic mode function,IMF)分量与实测时序数据的相关性,建立了基于EMD-长短期记忆(long short-term memory,LSTM)的人工神经网络(artificial neural network,ANN)组合模型.使用平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、决定系数(R2)作为评价指标,对比分析了使用组合模型与使用单一LSTM的ANN模型进行环境参数预测的效果.结果表明:IMF分量的变化速率越大,与实测时序数据的相关性就越强;对于组合模型中的LSTM网络模型,当隐藏层层数和初始学习率分别取2和0.001时,组合模型预测效果最优;与单一LSTM的ANN模型相比,使用基于EMD-LSTM的ANN组合模型,环境参数的MAE、RMSE、MAPE值减小、R2值增大,模型预测精度提高;环境参数预测效果主要受环境参数变化幅度的影响,变化幅度越小,组合模型预测效果越好.研究成果对于石窟文物保护具有一定的参考价值.

顾及邻近监测点的EMD-LSTM基坑变形预测模型

为达到分析基坑的变形规律并作出准确预测的目的,针对传统预测模型处理复杂变形数据存在的不足,将经验模态分解法(EMD)与长短期记忆网络(LSTM)应用于深基坑变形预测分析中,同时考虑邻近监测点的相关性,构建顾及邻近监测点的EMD-LSTM基坑变形预测模型。以澳门地区某深基坑变形实测数据为研究对象,分别采用基坑南北侧不同监测点数据进行变形预测并与BP模型预测结果对比分析,同时设置不同预测步长进行预测。结果表明,EMD-LSTM模型相较于BP神经网络模型有着更高的准确性、稳定性和一定泛化能力。

基于EMD-LSTM预测模型与夏普比率风险回溯的交易策略研究

交易策略是交易者在交易活动中为避免风险,根据一系列规则和数据进行预测、整合、计算,进而进行资金管理、风险控制,以获取最理想收益而综合采取的策略。文章使用基于时间序列分析的EMD-LSTM模型来预测交易物价格,并制订了基于夏普比率风险回溯的操作策略来科学合理地分配资金。在得到预测数据后,文章分别对比了使用基于夏普比率风险回溯的操作策略与持仓不动两种情形的收益情况,论证了操作策略的优异性与必要性。最后,将EMD-GRU、ARIMAX、RNN、LSTM四类模型的预测结果进行对比发现:EMD-LSTM无论是预测曲线拟合度还是总收益都是五类模型中最优的。文章策略经过灵敏度分析后,发现更适合于保守型的投资者与涨跌波动偏大的交易物。

基于EMD-LSTM耦合模型的趵突泉岩溶地下水水位预测应用

由于岩溶地下水具有强烈的非线性及非平稳波动特征,水位预测结果容易产生较大误差。针对岩溶地下水水位预测精度较差的问题,提出一种EMD-LSTM耦合模型,首先采用经验模态分解(EMD)将趵突泉岩溶地下水水位分解为5个分量(4个本征模函数项和1个残余项),以此消除水位数据的非平稳波动性;同时构建长短期记忆(LSTM)神经网络模型,并将与地下水水位动态变化密切相关的降水量(表征含水层补给项)和月平均气温值、月最高气温值、月最低气温值、水汽压值(表征含水层排泄项)作为输入项分别对5个分量进行预测,最终将分量预测结果累加获得地下水水位预测值。结果表明:EMD能够显著消除岩溶地下水水位的非平稳波动特征;EMD-LSTM耦合模型可有效提高岩溶地下水水位的预测精度,其均方根误差相比于LSTM神经网络模型、ARIMA模型分别减小了27.86%和59.94%。总体来说,本文所提出的EMD-LSTM耦合模型具有较强的可靠性和稳定性,可为岩溶地下水水位的精确预测提供借鉴。

基于噪声统计的EMD-LSTM网络流量预测方法

为了提高LSTM对网络流量的预测精度,针对训练样本中存在噪声的问题提出了一种基于噪声统计特性的EMD降噪方法,将每一训练样本经EMD分解后得到若干IMF,通过分析这些IMF确定其中的噪声IMF,将各样本中同一位置的噪声IMF进行统计平均后再与每一样本中的非噪声IMF叠加,以此实现每一样本的降噪,并将降噪后的样本作为LSTM训练样本;针对LSTM中使用滑动窗口输入训练样本时存在的误差叠加问题使用间隔采样的输入方法构造训练样本;将两种方法结合提出一种EMD-LSTM预测模型;仿真表明,相较于传统LSTM预测模型,所提模型具备更优的降噪效果与更准确的预测结果;此外,所提预测模型应用于一种基于无人机卸载流量的蜂窝网络,基于该模型预测结果提出一种无人机活动规划方法以优化无人机长时间工作中返航充电的时间点,规划后的无人机在同等情况下可以使用更小的缓存队列应对突发流量。

基于一种新型的EMD-LSTM-ARIMA算法的超短期电力负荷预测

由于超短期电力负荷序列非线性和高波动性的特点,使得对其进行精确预测变得困难。因此,从滑动窗口方法的角度出发,提出了一种将EMD分解算法、LSTM神经网络以及ARIMA模型相结合的混合预测算法。所提算法首先使用EMD算法将原始电力序列分解成多个分量序列。其次,采用滑动窗口方法对分量序列进行处理,并设定窗口大小将其划分成多个窗口数据。对每个窗口数据,利用线性回归计算其决定系数,并取其决定系数平均值作为衡量该分量序列的线性趋势系数。然后,设置阈值,将线性系数与阈值进行比较,当线性系数大于阈值时,使用AR IMA模型进行预测;否则,采用LSTM神经网络进行预测。最后,将它们的预测结果相加得到所提算法的最终预测结果。为了验证所提算法的可行性与有效性,选取了第九届“中国电机工程学会杯”所提供的电力负荷数据集进行实证分析。实验结果表明了提出的算法是有效的。

基于EMD-LSTM模型的股指收盘价预测

股指是投资者用来规避股市风险的工具,为了对金融股指进行有效预测,采用了一种基于经验模态分解(EMD)和长短期记忆网络(LSTM)模型的组合预测方法,对股指进行统计性描述,发现中国3个股指的波动具有明显区别,就这一特征对数据进行建模。建立传统时间序列模型及机器学习模型共7种模型,经对比研究发现:EMD-LSTM模型在预测沪深300股指收盘价和深证成指收盘价上具有较好的效果,预测上证指数收盘价时LSTM模型具有较好的效果,从而分析出数据波动大小对于模型的预测效果有一定的影响,可以根据数据波动性来选择适合的股指预测模型。

基于IF-EMD-LSTM的数据中心CPU负载预测

针对数据中心服务器运行过程中CPU负载变化不能被准确预测的问题,分别建立了整合移动平均自回归模型(ARIMA)和长短时记忆人工神经网络(LSTM)的CPU负载预测模型。由于上述模型缺少对原始数据的数据处理和人工智能算法局限性的考虑,故构建了基于孤立森林算法(IF)、经验模态分解(EMD)和LSTM的CPU负载组合预测方法(IEBL)。对所建的三种模型进行参数求解和仿真并与实验结果对比,组合预测模型的平均相对误差降低了8.71%~18.72%。结果表明,组合预测模型预测精度明显高于单一预测模型,在服务器CPU负载预测领域有广泛的应用前景。

基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。

基于ELM-EMD-LSTM组合模型的船舶运动姿态预测

在随机变动的海洋环境中,采用单一预测模型对船舶运动进行预报,预报值有时出现大的随机波动,预测误差超出安全限,对船舶运动控制和决策带来严重后果。本文提出了基于极限学习机(ELM)、经验模态分解(EMD)和长短期记忆(LSTM)神经网络的组合预测模型,对船舶运动姿态进行预测。首先,通过ELM模型预测方法进行船舶运动姿态的初始预测,然后采用EMD算法分解初始预测残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律进行预测,将各IMF分量的预测值相加得到残差预测值;最后将初始预测值与残差预测值组合得到最终的预测结果。仿真结果表明:与单一的LSTM模型和ELM-LSTM模型相比,该组合预测模型的平均绝对误差及均方根误差均为最小,预测精度更高,是一种更为有效的船舶运动姿态预测方法。

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EMD-LSTM的能源企业碳交易权价格预测

碳交易权是指对企业或机构在一定时间范围内所能排放的温室气体总量的限制,并通过市场机制进行交易和转让,以实现对温室气体排放的有效控制。伴随着碳交易市场的发展和成熟,预测碳交易权价格的准确性对于相关利益相关方具有重要意义。为预测碳交易权价格的未来走势,通过利用历史数据来验证模型的准确性;基于EMD-LSTM方法,进行能源企业碳交易权价格的预测研究。在方法上,通过与RNN、LSTM模型进行对比,EMD-LSTM模型在该预测中更有优势,其R 2数值分别为0.6177、0.9504、0.9552;在处理时间序列数据并进行预测时,EMD-LSTM模型预测准确性更高。

基于EMD-LSTM的重介分选精煤灰分时间序列预测方法研究

针对重介分选的智能化发展需求,根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求,提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先,通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;其次,进一步借助于长短期记忆(LSTM)神经网络可解决数据的长期依赖问题,从而在长时间视野预测方面表现更为突出。该方法应用于实际数据集的短期预测,实验结果表明,对LSTM神经网络进行参数寻优后,基于EMDLSTM的重介分选精煤灰分指标时间序列预测方法中,去除IMF1分量的模型所得的预测结果具有最小的标准差σ(0.1481)和平均绝对误差λ(0.1184),去除噪声后的EMD-LSTM模型可使预测准确性显著提高,能够有效解决精煤灰分预测的问题。

基于EMD-LSTM的冷轧煤气消耗量预测模型仿真

针对煤气消耗数据量大,而传统机器学习模型在处理大数据时准确度不高,且数据在时间上有一定规律可循的特点,利用长短时记忆神经网络(LSTM)独特的记忆能力对煤气进行预测。为提高LSTM预测模型精度,使用经验模态分解(EMD)算法将煤气消耗数据分解为若干个相对平稳的固有模态函数和一个残差项r(t),提出基于EMD-LSTM算法的组合煤气预测模型。结果表明:与BP、EMD-BP、LSTM模型相比,该方法能够准确预测煤气消耗量,为企业节约成本和调度人员进行煤气分配提供参考。

基于EMD-LSTM神经网络的交通流量预测模型

针对城市交通流序列非线性、周期性、随机性以及原始数据常还包含一些噪声的特点,为了提高交通流量预测精度,本文提出了一种能够去噪且能处理长时依赖问题的组合预测算法--EMD-LSTM。首先,通过经验模态分解(EMD)算法将交通时序数据中不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;再利用长短期记忆(LSTM)神经网络解决数据的长期依赖问题,进一步提升预测精度。实验结果表明,EMD-LSTM组合模型在整体的交通流量预测和早高峰晚高峰交通流量预测中均取得了较好的结果。其中,在整体的交通流量预测中,EMD-LSTM组合预测模型的均方根误差(RMSE)比LSTM减少了5.325,平均绝对误差(MAE)比LSTM减少了3.942,平均绝对百分比误差(MAPE)比LSTM降低了5.61个百分点。

EMD-LSTM算法及其在PM2.5中的预测

PM2.5浓度指数是判断空气质量的重要标准之一,由于空气质量数据的非线性和不规则性,导致精准地预测空气质量成为一个难题。文中收集了天津市2017年9月14日0时-2019年9月14日0时的空气质量数据进行EMD分解,采用LSTM算法进行预测,从而提出了EMD-LSTM算法进行预测PM2.5浓度,取得了比较好的结果,实际验证RMSE为2.08,MAPE为6.53,MAE为1.53。

基于EMD-DELM-LSTM组合模型的湖泊水位多时间尺度预测

针对水位时间序列具有线性与非线性混合、不确定性高等特点带来的预测困难问题,提出了一种基于经验模态分解(EMD)、长短时记忆网络(LSTM)和深度极限学习机(DELM)的EMD-DELM-LSTM组合模型,其中DELM和LSTM采用并联结构预测,并与EMD串联连接。首先使用EMD将原始信号分解为若干个具有单一特征的本征模态函数(IMFs),再将IMFs分类重组为高、中、低频信号后输入DELM-LSTM并联结构中进行预测并重构。以广州某大学重要湖泊为例验证模型的有效性,结果表明,与EMD-LSTM、EMD-DELM、LSTM、DELM和BiLSTM模型相比,本模型在不同时间尺度下的预测性能均有显著提升,其中40 min时间尺度下的预测性能提升效果最为明显,分别较对比模型提升43.08%、22.92%、45.79%、30.92%和47.31%。可见,本模型对于不同时间尺度的水位预测具有良好的可靠性和稳定性。

基于EMD-KPCA-LSTM的抽水蓄能机组振动预测

针对抽水蓄能机组振动信号时间序列高度非线性、非平稳性等导致常规预测方法难以准确预测的问题,构建了结合经验模态分解(EMD)、由主成分分析(PCA)改进的核主成分分析(KPCA)和长短期记忆神经网络(LSTM)的抽水蓄能机组振动预测模型。该模型利用EMD算法首先将振动信号进行分解,再利用KPCA筛选出关键影响因子,最后通过LSTM对特征序列进行时间动态建模,实现对抽水蓄能机组振动预测。试验结果表明,所建模型相较传统的LSTM、EMD-LSTM等预测模型具有更好的预测效果,可以更精确地预测振动信号的变化趋势。

基于EMD-GWO-LSTM模型的新疆标准化降水蒸散指数预测方法研究

干旱预测一直是干旱研究领域的重大挑战,提高干旱预测的准确性是解决干旱问题的关键。基于1961—2019年新疆34个气象站点月降水和月平均气温数据,计算得到标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index,SPEI),对新疆气象干湿变化进行分析,提出一种经验模态分解方法(empirical mode decomposition,EMD)-灰狼优化算法(grey wolf optimizer,GWO)-长短期神经网络(long short-term memory network,LSTM)的数据分解型干旱组合预测模型进行预测,并进行模型性能评价。结果表明:(1)干旱周期性变化整体呈现平稳且周期长的特点;(2)EMD能够有效优化数据的平稳性,GWO优化预测模型参数,组合模型的预测精度相较于单一预测模型有明显提高;(3)4个预测模型结果精度由高到低的排序为:EMD-GWO-LSTM、GWO-LSTM、GWO-支持向量回归(Support Vactor Regression,SVR)、LSTM,拟合优度分别为0.972、0.939、0.862、0.830,EMD-GWO-LSTM组合预测模型的预测精度优于其余3个预测模型。EMD-GWO-LSTM组合模型可有效提高气象干旱的预测精度,为新疆地区气象干旱预报及抗旱减灾工作提供了新的方法手段。

基于信号分解高频分量再处理策略的大坝变形预测方法

准确预测大坝变形有助于掌握变形的变化规律和发展趋势,是保证大坝安全稳定运行的关键。由于大坝变形具有波动性,将给变形预测精度带来不利影响,为此,提出了基于信号分解技术的大坝变形预测方法。首先利用VMD方法将原始变形数据分解为不同频率的变形分量,以降低变形数据的波动性;由于初次分解得到的高频变形分量仍具有一定的不确定性,其后采用EMD方法对所有的高频分量进行再处理,从而得到相对稳定的变形分量集合;最后采用长短期记忆神经网络对所有分量进行预测并叠加,以得到最终的变形预测结果。实例分析表明,基于信号分解技术的大坝变形预测精度高于单次分解对应的变形预测结果,且其预测精度显著高于传统变形预测方法。