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%。

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。

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

基于迁移学习与GRU神经网络结合的锂电池SOH估计

为解决退役电池梯次利用过程中单体剩余使用寿命估计困难、测试流程复杂与能耗高等问题,提出迁移学习与GRU网络结合的锂离子电池健康状态估计方法;设计的基础模型结构为输入层+GRU层+全连接层+输出层;根据健康因子的得分,选择训练基础模型的数据集、划分电池相似度等级并制定对应的迁移学习策略。实验结果表明:与其他模型相比,分别使用数据集的前40%与前25%训练得到的基础模型与迁移学习模型,两者的精度分别最大提高42.48%与95.28%,而预测稳定性分别最大提高55.38%与93.55%。

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.

基于ARMA和GRU的数据权重负载预测

文章将小波分解与自回归滑动平均模型(ARMA)和门控循环单元(GRU)结合起来,用于预测接下来几个时间间隔内的用户负载。为了降低数据中随机因素对模型的影响,对数据进行了加权处理。该方法首先通过Savitzky-Golay滤波对时间序列进行平滑处理,然后利用小波分解将平滑后的时间序列分解为2个分量。

基于NGO-GRU的锂电池健康状态估计研究

为提高锂离子电池健康状态(SoH)估计的精度和稳定性,提出了一种基于北方苍鹰优化(NGO)算法优化门控循环单元(GRU)网络的SoH估计模型。从电池充放电电压、温度的历史数据中提取多个健康因子作为模型的输入数据,利用NGO智能寻优GRU网络的隐藏单元数目、学习率和最大训练周期数等超参数;通过优化后的NGO-GRU估计模型构建锂电池健康因子与SoH的映射关系,实现SoH的快速估计;使用NASA数据集验证算法的有效性。对比其他几种模型,结果表明,NGO-GRU估计模型具有更高的估计精度和稳定性。

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%。

基于改进VMD和GRU的水轮发电机组振动故障预警

针对水轮发电机组受水、机、电等因素相互耦合,早期故障特征被电磁和噪声所淹没难以提取的问题,设计了一种基于改进VMD和GRU的水轮发电机组振动故障预警方法。首先,采用BES算法对变分模态VMD的参数进行寻优,得到最佳的分解层数、惩罚因子和模态个数,然后采用最优的VMD算法对水轮发电机组早期的振动特征进行提取,最后将早期的振动特征输入GRU神经网络预测算法进行训练、验证和测试。仿真结果和工程实例表明,该方法可以有效快速准确提取水轮发电机组的早期微弱振动特征,实现水轮发电机组的早期故障预警,具有较高的工程应用价值。

基于VMD和优化CNN⁃GRU的锂电池剩余使用寿命间接预测

准确预测锂电池的剩余使用寿命(RUL)对降低电池使用风险有着至关重要的作用。为了解决电池容量在实际应用中不易获得以及单一门控循环神经网络(GRU)不能有效提取数据间的深层特征等问题,提出一种基于间接健康因子的混合神经网络模型,即融合变分模态分解(VMD)、一维卷积神经网络(1D‐CNN)和麻雀搜索算法(SSA)优化GRU的组合剩余使用寿命预测模型。采用NASA数据集验证所提模型的有效性,实验结果表明,相比于GRU、VMD‐GRU、VMD‐SSA‐GRU,所提模型具有较高的预测精度与更快的运行速度,可以应用于锂电池RUL预测。

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。

粒子滤波和GRU神经网络融合的锂电池RUL预测

随着锂电池在移动电子设备和电动汽车等领域中得到广泛应用,其剩余使用寿命(remaining useful life,RUL)的精确预测对锂电池的健康管理更具重要意义。本文提出一种基于粒子滤波(particle filter,PF)和门控循环单元(gated recurrent unit,GRU)神经网络融合(PF-GRU)的预测方法预测锂电池的RUL。这种融合方法结合了PF在估计RUL概率分布上的优势以及GRU能够进行时间序列长期预测的能力,获得融合的预测结果。再利用每个预测周期的容量预测结果,采用带移动窗口迭代更新训练数据集的方法对GRU模型进行再训练,提高了GRU的长期预测性能。以上预测步骤迭代进行,直到容量衰减至寿命阈值以下。最后将粒子代表的预测结果外推至寿命阈值,得到电池RUL分布直方图。本文采用美国NASA卓越诊断学中心(PCoE)实验室所提供的锂电池数据对所提方法进行验证,将所提出的融合方法与GRU、PF和无窗口移动融合方法进行RUL预测比较。实验结果表明,本文所提出的融合方法具有良好的性能,在状态和参数估计、RUL预测方面明显优于PF和无窗口移动融合方法,预测精度均高于其他3种预测方法。

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。

基于对抗双向GRU网络的跨语言情感分类方法

为了提高资源匮乏语言的情感分类性能,提出一种基于对抗双向GRU网络相结合的跨语言情感分类模型(ABi-GRU)。通过基于语义双语词嵌入方法来提取中英文文本词向量特征;结合注意力机制的双向GRU网络提取文本的上下文情感特征,同时引入生成对抗网络缩小中英文向量特征分布之间的差距;通过情感分类器进行情感分类。实验结果分析表明,该方法有效地提升了跨语言情感分类的准确率。

基于SG-LSTM-GRU井下粉尘体积分数预测模型

粉尘体积分数监测对煤矿粉尘预警起着重要的作用,对其变化预测有利于保障井下安全生产和降低井下矿工职业病风险.针对井下粉尘体积分数预测问题,建立了一种SG-LSTM-GRU预测模型.对监测数据进行预处理,先采用SG滤波方法处理,可以减少时间序列数据中存在的噪声数据,再用最大最小值法进行归一化处理,将得到的数据集划分为90%训练集与10%测试集,通过枚举法不断地实验确定SG滤波器中的参数值以及模型中时间步长,再通过LSTM和GRU模型相结合的方式,既可以通过LSTM层保留数据中较多的特征,又可以通过GRU层提高模型的训练速度,采用均方根误差、平均绝对误差和计算时间进行模型对比评价.研究结果表明,SG-LSTM-GRU模型预测的RMSE为0.256,MAE为0.066,相比其他预测模型该模型预测效果好.因此,采取SG-LSTM-GRU模型对井下粉尘体积分数预测,可以提高数据预测准确性,实现煤矿井下安全生产以及降低矿工尘肺病风险.

基于GRU-FedAdam的工业物联网入侵检测方法

针对工业物联网中的入侵检测存在数据隐私泄露和训练时间长的问题,提出一种基于GRU-FedAdam的入侵检测方法。该方法首先采用联邦学习协作训练入侵检测模型,保护客户端数据隐私;其次,构建基于门控循环单元(GRU)的入侵检测模型并采用Adam优化算法,提高客户端模型的训练速度。选用TON_IoT数据集为实验数据,经过两轮通信轮次计算,训练时间比单层LSTM模型减少4 s;利用Adam算法训练模型比SGD算法收敛速度更快,入侵检测模型准确率为0.99。实验结果表明,基于GRU-FedAdam的入侵检测方法在保护数据隐私的情况下,可减少训练时间和获得更好的入侵检测效果。

基于自适应多尺度注意力机制的CNN-GRU矿用电动机健康状态评估

利用多传感器信息融合技术进行电动机健康状态评估时,矿用电动机监测数据中存在异常值和缺失值,而卷积神经网络和循环神经网络等深度学习模型在数据质量下降严重的情况下难以有效提取数据特征和更新网络权重,导致梯度消失或爆炸等问题。针对上述问题,提出了一种基于自适应多尺度注意力机制的CNN-GRU(CNN-GRU-AMSA)模型,用于评估矿用电动机健康状态。首先,对传感器采集的电动机运行数据进行填补、剔除和标准化处理,并以环境温度变化作为依据对矿用电动机运行数据进行工况划分。然后,根据马氏距离计算出电动机电流、电动机三相绕组温度、电动机前端轴承温度和电动机后端轴承温度等健康评估指标的健康指数(HI),采用Savitzky–Golay滤波器对指标HI进行降噪、平滑、归一化处理,并结合主成分分析法计算的不同指标对矿用电动机的贡献度,对指标HI进行加权融合得到矿用电动机HI。最后,将矿用电动机HI输入CNN-GRU-AMSA模型中,该模型通过动态调整注意力权重,实现对不同尺度特征的信息融合,从而准确输出电动机健康状态评估结果。实验结果表明,与其他常见的深度学习模型CNN,CNN-GRU,CNN-LSTM,CNN-LSTM-Attention相比,CNN-GRU-AMSA模型在均方根误差、平均绝对误差、准确率、Macro F1及Micro F1等评价指标上更优,且预测残差的波动范围更小,稳定性更优。