基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

基于CEEMDAN-GRU组合模型的碳排放交易价格预测研究

准确的碳价格预测有助于监管部门观测碳交易市场运行状况及投资者进行科学决策,对实现碳达峰和碳中和具有重要作用。但碳价序列具有非线性、非平稳性和高噪声的特性,很难对其进行准确预测。将完全自适应噪声集合经验模态分解(CEEMDAN)方法与门控循环单元(GRU)相结合,构建一个碳排放交易价格预测模型。该模型基于分解、集成思想,利用CEEMDAN将原始碳价序列分解,获得不同频率的本征模函数(IMF)和残差序列,使用GRU神经网络分别为各子序列建立预测模型,最后集成预测结果得到碳价预测值。以湖北省碳交易市场的日度成交价为例进行实证分析,结果表明:相较于其他5种基准模型,CEEMDAN-GRU模型具有更小的预测误差和更高的拟合优度,在碳价格预测上具有一定的优势。

基于Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于Swin Transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型,首先通过融合番茄两侧图像获取番茄表观全局红色总占比,构建不同成熟番茄图像数据集,并基于迁移学习优化Swin Transformer模型初始权重配置,实现番茄成熟度分类识别;其次,周期性采集不同储藏温度(4、9、14℃)下番茄图像数据,结合番茄初始颜色特征与贮藏环境信息,构建基于Swin Transformer与GRU的番茄成熟度时序预测模型,并融合时间注意力模块优化模型预测精度;最后,对比分析不同模型预测结果,验证本研究所提模型的准确性与优越性。结果表明,番茄成熟度正确识别率为95.783%,相比VGG16、AlexNet、ResNet50模型,模型正确识别率分别提升2.83%、3.35%、12.34%。番茄成熟度时序预测均方误差(MSE)为0.225,相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究为兼顾番茄成熟度实现贮藏温度柔性适时调控提供了关键理论基础。

SARIMA-GRU组合模型的水位预测

相较于传统的单一模型,组合模型在一定条件下具有更优的预测精度。为验证组合模型是否有利于提高模型的预测精度,本文以长江中游支流澧水石龟山水电站的水位数据为基础,建立SARIMA模型和GRU神经网络模型,并将这两种模型基于方差倒数法和IOWA算子进行组合,最后比较单一模型和组合模型在该水位数据集上的预测精度差异。结果表明,适当的组合方式有利于提高模型预测精度,基于IOWA算子的组合模型具优良的预测性能。

基于GRU-XGBoost的短期风电功率预测研究

本文利用自适应噪声的完备经验模态分解(CEEMDAN)对风电原始序列信号进行处理后,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提升模型的预测能力和泛化性。首先,通过CEEMDAN将风电功率原始序列分解为不同时间尺度的分量,然后将分解后的信号输入GRU神经网络生成预测信号,最后通过XGBoost进行校正。通过与多种预测模型进行比较,证明了该模型在预测精度方面的卓越表现。

基于GRU和LSTM组合模型的车联网信道分配方法

针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。

基于EMD-GRU的港口堆场煤炭含水率智能预测与实验研究

针对煤炭港口堆场洒水抑尘需求,提出了基于EMD-GRU的煤炭含水率预测模型并进行了实验验证。通过建立煤炭堆场含水率预测模型,利用实时数据驱动预测煤炭堆垛含水率变化,根据气象数据与含水率变化情况判断煤炭堆垛未来起尘情况并制定相应的洒水策略。实验结果表明,EMD-GRU模型的均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.768、0.566、9.52%、0.944,与SVR、DTR、RNN、LSTM、GRU等预测模型相比,EMD-GRU预测模型的各误差值均最低,决定系数为最高,且预测精度与拟合效果最好。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

联合con-GRU与ATGAT模型的情感分析三元组方法

情感分析三元组任务是情感分析任务的研究热点,其目的在于将方面词、情感词与情感极性组成三元组。图神经网络是提取句子特征的有效手段,但其无法关注节点与节点之间的关系,并且注意力权重赋予不合理。为此,提出一种联合双向对抗GRU与基于句法注意力机制的GAT模型。利用依存句法树的句子向量和ATGAT模型提取句子情感词,并将句子用syn-str更新向量表示;再融合句法结构的向量,通过双向对抗GRU提取特征进行情感判断。在三个公开英文数据集中开展实验,结果表明,所提模型相对其他基线模型具有更优异的性能。消融实验和对比实验也说明,所提出的各个网络模型组件比其他组件能更有效地将句法信息与原句向量融合。

基于VMD-XGBoost-GRU模型的危岩体变形预测

针对以往对危岩体监测数据前处理效果不佳的问题,提出了一种用于危岩体变形预测的VMD-XGBoost-GRU组合模型。该模型采用变分模态分解(VMD)和样本熵理论将危岩体变形数据分解成多个子序列,利用XGBoost算法提取重要的模型因子实现特征降维,通过门控循环单元(GRU)神经网络对危岩体变形进行预测。以某水电站右坝肩陡壁上的危岩体变形预测为例,将VMD-XGBoost-GRU组合模型与BP、GRU和VMD-XGBoost-BP 3种模型进行对比与分析,结果表明,VMD-XGBoost-GRU组合模型在危岩体变形预测方面具有较高精度,可为危岩体安全稳定状态评价提供技术依据。

基于GRU模型的股票价格预测

利用GRU模型对输入时间序列的高效处理能力,提出了一种基于GRU模型的股票价格预测方法,在输入序列中引入价格、成交量、平滑异同移动平均指数三种股票技术参数,明显提高了GRU模型股价预测的准确度。

基于GRU门控单元网络的电力负荷预测研究

准确预测电力负荷,有利于提高电力系统供需平衡,为提高电力负荷预测精度,提出一种基于迁移学习的电力负荷预测模型。该模型以门控循环单元模型(GRU)为基础模型,通过设定最大均值差异算法阈值,从而选择迁移学习的模型,最终实现电力负荷雨预测。仿真结果表明,所提模型可准确预测电力负荷数据,相较于BPNN模型和LSTM模型,所提出模型的MAPE值更低,为17.5%,分别降低了15%和7.5%,具有更高的预测准确度,可用于电力负荷预测实际应用中。

基于改进GRU-DNN的收货风险预警模型构建及仿真

针对现有收货风险预警方法准确率低的问题,结合Gate Recurrent Unit(GRU)和Deep Neural Networks(DNN),提出一种基于改进GRU-DNN模型的收货风险分析方法。通过采用模糊综合分析法(FSA)筛选出收货风险主要评价指标,并将指标输入通过对抗性训练与预测相似性改进的GRU-DNN网络中进行分类识别,实现了收货风险分析。仿真结果表明,所提的改进GRU-DNN风险预警方法可实现收货风险预警,且在准确率、精确率、召回率、F 1各项指标上表现良好,均达到86%以上的有效率,相较于传统基于DNN、Convolutional Neural Network(CNN)和Multivariable Linear Regression Model(MLR)等模型的风险预警方法,具有明显的优势和良好的预测性能和鲁棒性。

基于GRU的未来24小时高低温预报技术研究

温度作为重要的气象要素,关乎民生和生产,其中最高温和最低温更是引人关注,但相关的研究却鲜有涉及。文中基于GRU模型提出了一种未来24小时高低温的AI预报算法,并针对数据缺失情况设计了5种数据处理方法,利用实况和多种模式资料制作AI训练数据集,以过去72小时实况数据和模式未来24小时预报数据为输入。实验表明,该方法能够有效提高高低温的预报精度,最高温预报误差为1.59℃,最低温预报误差为1.19℃,预报精度高于EC模式和预报员的预报精度,尤其是最低温预报精度提升比较明显,对预报员具有较好的预报指导意义。

基于IMGRU-Seq2seq的自动问答方法研究

针对传统问答模型采用循环神经网络带来的梯度消失和网络退化的问题,提出一种基于IMGRU-Seq2seq(Identity Mapping Gated Recurrent Unit-Sequence to Sequence)的自动问答模型。通过TF-IDF方法对文本进行加权词向量表示;以门控循环单元为基础,将批标准化技术和线性整流激活函数相结合并添加恒等映射,从而构建IMGRU模型;将双向IMGRU作为问答模型的语义抽取单元,引入注意力机制和集束搜索算法,实现自动问答。实验结果表明,所提方法比现有方法BLEU、ROUGE-L分别平均提高18.87%、4.35%。

基于GRU网络的仿优秀驾驶员换道轨迹模型研究

换道是智能汽车在道路上行驶时必不可少的操作。传统换道模型大多基于数学公式或者车辆动力学、运动学模型,从而忽略驾驶员在实际驾驶过程中的感知与决策能力,生成的轨迹与实际换道轨迹区别很大。本文提出基于GRU网络的仿优秀驾驶员换道轨迹预测模型,利用处理时间序列数据有独特的能力,从优秀驾驶员自身的驾驶特性出发,结合车辆动力学参数,结果表明GRU模型的MAPE为0.044,分别比LSTM和Bi-LSTM降低了24.14%和29.03%;RMSE为0.0111,分别比LSTM和Bi-LSTM降低了0.89%和9.76%,且GRU模型的一致性指数D值更接近1。该模型预测出的换道轨迹与实际轨迹基本一致,能准确地模拟优秀驾驶员的换道轨迹,精度较高,保证安全性的同时兼顾舒适性。

基于CEEMDAN-GRU混合多尺度模型的欧盟碳价预测研究

基于碳价特有的非线性非平稳和多尺度特征,构建CEEMDAN-GRU混合多尺度模型,对碳价进行非线性预测,并进行样本外期限异质性检验。结果显示,相比EMD、CEEMD技术与LSTM、BP所构建的混合模型而言,CEEMDAN-GRU模型能有效捕捉碳价多尺度时频特征,实现分解误差的有效降低,预测误差RMSE、MAE、MAPE仅为1.0218、0.6815和0.0110,碳价预测精度优于基准模型,特别是短期预测效果呈现良好的稳健性。

XGBoost与GRU模型在发电功率预测中的应用

超短期光伏发电功率预测是电网安全调度与平稳运行的基础。针对传统单一预测模型存在预测精度不高、模型抗干扰能力差、鲁棒性不强等问题,本文提出了一种基于双重XGBoost-GRU的混合预测模型,并经过以澳大利亚爱丽丝泉光伏发电系统为算例的仿真分析。仿真实验的结果表明,双重XGBoost-GRU组合预测模型相较于GRU、XGBoost-GRU误差分别降低了93.93%、75.65%,说明了基于特征创造XGBoost-GRU融合预测模型具有良好的预测效果。

基于CA-GRU的污水处理厂出水总氮浓度预测研究

为了精确预测污水处理厂出水总氮浓度,以呼玛县某污水处理厂公开监测的污水出水水质数据为样本进行了研究。提出了一种基于卷积注意-门控循环单元(CA-GRU)网络的混合模型。首先,使用时间滑动窗口,将数据转换成连续的特征图以作为输入,并从中提取抽象特征。然后,将这些特征映射到网络模型中。最后,通过门控循环单元(GRU)网络模型获得预测值。试验结果显示,CA-GRU模型的均方根误差(RMSE)为0.172,平均绝对百分比误差(MAPE)为0.010。该结果比GRU网络模型低0.108、0.016,比卷积神经网络(CNN)-GRU模型低0.027、0.005,比Attention-GRU模型低0.065、0.007。该结果表明,CA-GRU模型预测效果良好,利用CNN等模型有利于减少冗余信息的干扰。CA-GRU模型能够充分提取污水水质数据在时间和空间上的特征、更准确地预测出水水质总氮含量,具有较高的应用价值。

基于VMD-GRU的大型灌区干旱预测模型研究

灌区干旱灾害的频繁发生严重制约了当地经济的发展,为了实现灌区内水资源的合理调配和利用,需对灌区未来的干旱情况进行有效预测,从而有针对性的采取预防措施降低干旱事件所造成的影响。基于“先分解,后重构”的思想,将能够对非线性、非平稳时间序列进行预处理的变分模态分解VMD(Variational Mode Decomposition)与门控循环单元网络GRU(Gated Recurrent Unit)相结合,建立VMD-GRU干旱预测模型,针对赵口大型灌区4个气象站点1981-2017年的逐月降水数据构建标准化降水指数SPI时间序列并采用所建干旱预测模型和3个单一预测模型对SPI值进行预测,研究采用3个月的时间尺度计算标准化降水指数SPI进行干旱事件识别和等级划分。结果表明:4个气象站点VMD-GRU干旱预测模型SPI值预测结果的平均相对误差在18.7%~20.6%之间,预测误差较为稳定。VMD-GRU干旱预测模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为4种模型中最小,不同气象站点的3个评价指标值均分别接近,所建模型不存在过拟合或者欠拟合问题。利用游程理论识别干旱历时和干旱强度,以开封气象站为例,1981-2017年间干旱历时的预测准确率达到81.1%,实际干旱强度的整体波动趋势与预测干旱强度大体一致,两序列的皮尔逊相关系数达到0.961,表明所建VMD-GRU干旱预测模型能够较为准确地对灌区干旱进行预测,为大型灌区干旱预警提供一种可靠的研究方法。