高速铁路日常客运量的EMD-Informer组合预测方法

铁路客流需求的科学预测是进行运输组织方案决策的重要依据。以高速铁路历史客票数据为基础,结合经验模态分解(empirical mode decomposition,EMD)与机器深度学习中的注意力机制,提出高速铁路日客流量的EMD-Informer组合预测方法。首先采用EMD方法分解高速铁路客流量序列,获得具有周期特征和线路客流内在特征的模态分量,再利用Informer模型分别训练和预测各模态分解分量,并通过多头注意力机制高效挖掘客流数据内在规律和捕捉数据序列中的关键特征,在此基础上重组各分量预测值,从而得到高速铁路日常客流的整体高精度预测值。同时,根据结合问题特征的大量实验,明确可供实际运用参考的超参数设置规则。基于京沪高速铁路全线的实例计算分析表明,相对对比预测方法,EMD-Informer组合预测方法在高速铁路客流的单步预测及超前预测上均具有明显更小的预测误差。

机场能见度临近预测方法

能见度是保障机场航班安全、正常运行的重要标准之一。为精准预测能见度,使用2020年天津机场气象和常规空气质量监测数据,构建基于方差膨胀因子(Variance Inflation Factor,VIF)、主成分分析(Principal Components Analysis,PCA)和Informer的能见度预测模型,并将均方根误差、平均绝对误差、平均绝对百分比误差作为评价指标进行误差分析。结果显示,VIF PCA Informer模型比单一的Informer和简单组合模型效果更优,能更好地捕捉长时间序列特征的关系。相比于单一的Informer、长短期记忆神经网络和门控循环单元模型,VIF PCA Informer模型均方根误差下降了0.2141~0.3486,平均绝对误差下降了0.1842~0.2753,平均绝对百分比误差下降了0.3224~0.5270;VIF PCA Informer模型对能见度的临近预测(1 h)更为精准。使用高效的机场能见度预测模型可在保障航班安全高效运行方面发挥较大支撑作用。

基于时间序列的发电机设备异常分析

为提高发电机组设备运行维护管理水平,提出一种基于PCA-Informer方法的发电设备故障预测技术。首先使用主成分分析(PCA)算法降低时间序列数据的特征维度;其次将数据分批次输入Encoder中,由Encoder执行蒸馏操作,提取长时间序列输入间的Long-Range依赖,通过蒸馏操作为重要特征赋予更高的权重,并在下一层生成聚焦的Self-Attention Feature Map;最后由Decoder通过一个正向过程一步生成长序列输出。通过实验验证,该方法能够有效地对发电设备的故障进行预测。

寒冷条件下高拱坝施工过程仿真方法研究

众多高拱坝施工面临着恶劣寒冷气候的考验。然而,现有的高拱坝施工过程仿真方法较少直接考虑气温对施工的影响,且未考虑基于气温预测成果进行动态分块,以分析寒冷条件下利用正温时段进行浇筑的特点。针对以上问题,本文提出了基于Informer的寒冷条件下高拱坝施工过程仿真方法。首先,提出基于Informer气温预测模型,实现未来气温序列的预测,在此基础上实现可施工时段分析;其次,建立考虑动态分块的寒冷条件下高拱坝施工进度仿真模型,提出更加贴近实际施工情况的分块施工仿真策略,以更好地模拟和分析不同气温条件下的施工过程;最后,以西南地区的叶巴滩高拱坝工程为例进行研究,采用Informer模型对气温进行预测,平均误差为±1.49℃,每日的可施工时长平均误差为±1.16 h。通过对比三种不同的仿真策略,发现寒冷条件下采用动态分块策略可以充分利用可浇筑时段,施工效率更高,也表明在仿真中“考虑气温”比简单降效处理更加贴近实际情况。

考虑多时间尺度信息的风力发电机滚动轴承故障预测

风电机组滚动轴承故障会造成风电机组长时间停机,为准确预测风电机组滚动轴承故障,提出一种考虑多时间尺度信息的风力发电机滚动轴承故障预测方法。首先,采用连续变分模式分解(successive variational mode decomposition,SVMD)自适应提取轴承健康数据温度多维特征;其次,将分解的本征模态函数(intrinsic mode functions,IMFs)输入Informer模型提取多尺度时间信息训练,基于树状结构Parzen密度估计的非标准贝叶斯优化算法(tree structure Parzen density estimation,TPE)优化Informer模型超参数;然后,构建基于残差的故障指标,采用核密度估计(kernel density estimation,KDE)确定故障预警阈值;最后,将运行数据输入训练后的Informer模型进行故障预测。选取某风电场的风力发电机轴承温度数据进行故障预测,仿真结果表明,考虑多时间尺度信息的SVMD-TPE-Informer模型在发电机轴承温度预测上具有更高的预测精度和计算效率,所提方法在两个故障案例上分别能够提前15.5 h和10 h预测到故障,且不会出现误报现象,验证所提模型的有效性和稳定性。

基于STL-Informer-BiLSTM-XGB模型的供热负荷预测

供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。

基于集成学习与深度学习的洪水径流预报研究

深度学习模型凭借其对水文因素间复杂作用的优秀处理能力,在水文预报领域得到了一定的应用,然而,针对集成学习与深度学习耦合模型的研究仍有所缺失。通过融合集成学习AdaBoost算法与深度学习Informer模型,提出了一种组合模型,称为AdaBoost-Informer模型,以提高洪水径流预报的精度。该模型以历史雨量和径流数据作为数据输入,将具备长时序依赖捕获能力的Informer作为集成学习的弱预测器,使用网格搜索法进行超参数调优,使用AdaBoost集成学习算法对弱预测器进行加权组合得到强预测器。在浙江省椒江流域的应用分析表明:对比Random Forest、AdaBoost、Transformer、Informer等模型,AdaBoost-Informer模型表现最佳,RMSE为62.08 m^(3)/s,MAE为23.83 m^(3)/s,NSE为0.980,预报合格率为100%。所提模型可有效提高洪水预报精度,为防汛抢险和防洪系统调度提供决策依据。

TimeGAN-Informer长时机场能见度预测

能见度的预测对机场的业务决策、保障飞机的安全起降具有重要的意义。针对现有能见度预测模型预测时间较短的问题,提出一种基于TimeGAN Informer(Time Generative Adversarial Network-Informer)的机场能见度预测方法。利用2018—2022年气象和污染物数据,通过相关系数法和递归特征消除法提取出能见度的主要影响因素,使用TimeGAN时间序列生成对抗网络对数据进行扩充,并将Informer长时间序列预测模型应用于能见度预测。结果显示:当预测步长为1 d、2 d、3 d时,TimeGAN Informer的绝对误差(Mean Absolute Error,MAE)分别为2.42、3.13、3.57,比Informer分别降低了0.29、0.27、0.28,比长短时记忆网络(Long Short-Term Memory,LSTM)分别降低了0.28、0.49、0.63;均方根误差(Root Mean Square Error,RMSE)分别为3.03、3.7、4.09,比Informer分别降低了0.38、0.22、0.24,比长短时记忆网络(LSTM)分别降低了0.3、0.5、1.04;百分误差小于30%的分别占测试样本集的78.07%、70.68%、63.84%。尽管随着步长的增加预测效果变差,但在预测步长为3 d时,多数样本的预测误差仍小于30%,实现了对机场区域较为准确的长时能见度预测。

基于Informer融合模型的油田开发指标预测方法

为解决油田开发指标的预测问题,提出了一种基于物质平衡方程和Informer的融合模型。首先,通过物质平衡方程领域知识建立油田开发产量递减前后的机理模型;其次,将所建机理模型作为约束与Informer模型损失函数进行融合建立符合油田开发物理规律的指标预测模型;最后,采用油田实际生产数据进行实验分析,结果表明相比于纯数据驱动的几种循环结构预测模型,本融合模型在相同数据条件下的预测效果更优。该模型的机理约束部分能引导模型的训练过程,使其收敛速度更快,且波峰波谷处的预测更准确。该融合模型具有更好的预测能力和泛化能力和比较合理的物理可解释性。

基于KCR-Informer的长期风电功率预测研究

准确的长期风电功率预测对电网系统稳定运行至关重要,传统预测方法在处理长序列预测时效果并不理想,近期研究表明Informer模型在长序列预测领域取得良好效果。然而,该模型在捕捉数据的局部特征以及处理网络层数堆叠问题上还有待改进。文章提出一种基于卡尔曼滤波器-卷积神经网络-残差网络-Informer(Kalman filter-convolutional neural network-residual network-informer,KCR-Informer)模型的长期风电功率预测方法,首先分析气象数据对风电功率的影响,使用卡尔曼滤波器对风电气象数据进行数据平滑处理,以减轻噪声对数据的影响,然后基于Informer模型建立风电功率预测模型,根据气象数据以及历史功率数据进行长期功率预测;在此基础上,引入卷积神经网络和残差连接模块,使模型能够更好的捕捉到局部特征,同时加快模型收敛,解决模型网络退化问题。算例的结果表明,与长短期记忆网络(long short-term memory,LSTM)算法、Transformer算法、Informer算法相比,文章方法在不同预测步长下的平均绝对误差(mean absolute error,MAE)降低5.7%~30%,均方误差(mean square error,MSE)降低8.3%~35%,长期风功率预测的精度得到提升,验证了模型的有效性。

考虑天气特征与多变量相关性的配电网短期负荷预测

针对配电网短期负荷预测受到众多复杂天气特征等随机不确定性因素影响,以及传统预测模型难以有效分析不同特征序列之间的相关性等问题,提出一种考虑天气特征与多变量相关性的配电网短期负荷预测方法。首先,提出多变量快速最大信息系数(multi-variable rapid maximal information coefficient,MVRapidMIC)提取相关性高的天气特征序列。其次,引入探索性因子分析法(exploratory factor analysis,EFA),对高相关性特征序列进行降维处理。最后,将维度分段(dimension-segment-wise,DSW)机制和两阶段注意力(two-stage attention,TSA)机制与Informer模型结合,提高预测模型对不同特征序列相关性的分析能力。通过DTU 7K 47节点实际配电网的历史负荷数据开展仿真测试,验证所提方法的预测精度、鲁棒性和时效性。

基于Informer神经网络的锂离子电池容量退化轨迹预测

通过对锂离子电池容量退化轨迹的精确预测可以大幅提升电池材料的研究效率。针对Transformer网络在锂电池容量退化轨迹预测这种长时间序列预测任务中存在的问题,本工作采用滑动窗口策略,构建了一种基于Informer网络的锂离子电池容量退化轨迹预测方法。首先,利用滑动窗口对数据集进行划分和再拼接,便于神经网络挖掘数据序列内部的相关性;然后,根据Informer网络的周期性时间特征捕捉能力设计适用于锂电池数据的全局时间戳;最后,使用前10%容量数据通过多步滚动预测方法实现模型输出,缓解预测中的误差累积问题,进而得到完整的预测轨迹。通过选取不同的误差评价指标和训练过程中的时间开销,在美国马里兰大学提供的锂电池数据集上验证了所建立模型的准确性和训练效率,并在美国航空航天局提供的电池数据集上验证了模型的泛用性。本工作模型的预测结果与多层感知机神经网络、循环神经网络及Transformer网络模型对比,退化轨迹与真实轨迹最为拟合,且训练时间开销小,预测结果的平均绝对误差和均方根误差控制在2.57%和3.5%,验证了所提预测方法的有效性。

基于聚合二次模态分解及Informer的短期负荷预测

针对区域级负荷的非平稳性及长序列预测精度低的问题,该文提出了一种基于聚合二次模态分解及Informer的短期负荷预测方法。首先,运用改进完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对负荷序列进行初步分解,削弱原始序列的随机性与波动性;其次,根据子序列的样本熵计算结果进行聚合,并通过比较不同的聚合方式选出最优重构方案;然后,利用变分模态分解对高复杂度的合作模态函数进行二次分解;充分考虑到电价、气象等因素对负荷的影响,采用随机森林(random forest,RF)算法进行相关性分析,从而为每个子序列构建不同的高耦合度特征矩阵并输入Informer进行建模,并通过其多层次编码及稀疏多头自注意力机制等方式提高对负荷序列的预测效率;最后采用巴塞罗那区域级负荷数据集进行实例验证,结果显示所提框架有效解决了模态分解过程中的模态混叠以及高频分量问题,并且其长序列预测均方根误差相比其他经典深度学习模型最高降低了65.28%。

基于Informer算法的网联车辆运动轨迹预测模型

自动驾驶汽车可以根据轨迹预测算法计算周边车辆的运动轨迹,并作出反应以降低行车风险,而传统的轨迹预测模型在长时间序列预测的情况下会产生较大的误差。为解决这一问题,提出了一种以Informer算法为基础的轨迹预测模型,并根据公开数据集NGSIM进行实验分析。首先通过对称指数移动平均法(sEMA)对原始数据进行滤波处理,并在原有的Informer编码器中加入了联合归一化层对不同车辆进行特征提取处理,减少了不同车辆之间的运动误差,通过考虑车辆的本身速度信息与周围环境的车辆运动信息,提高了预测精度,最后经过解码器得到未来时刻的车辆轨迹分布。结果表明,模型对车辆的轨迹预测误差在0.5 m以内;通过对轨迹预测的MAE与MSE结果分析可知,预测时间超过0.3 s以后,Informer模型的轨迹预测效果明显优于其他算法,验证了模型和算法的有效性。

一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.

基于时间序列预测模型的5G-R无线重联主备链路切换流程优化

针对重载铁路场景下传统无线重联设备主备链路同时发送信息所导致的传输效率较低、易造成传输资源浪费、存在链路切换时延或误判等问题,在5G-R时代探究如何对无线重联进行高效监测与控制,并建立一种更为智能的优化机制成为支撑重载铁路安全保障的迫切需要。提出的优化机制首先根据终端在5G-R网络下测量得到的SS-RSRP、SS-SINR等信号质量评估参数确定主备链路;再结合LSTM、Informer等时间序列预测模型,根据采集的实时传输时延样本,对未来主备链路状态进行预测,在预期不良时提前切换链路,避免进一步导致传输质量的恶化。结果表明,使用LSTM模型和Informer模型优化机制预测曲线的平均百分比误差MAPE分别为11.2%和10%,预测结果与实测样本一致性较好;相同线路下主备链路需要切换的频率较不使用优化机制减少75.12%和89.31%;在同样保留主备双冗余条件下传输效率较原有方式提升56.37%和75.01%。该优化机制在保留无线重联列车间通信链路冗余的情况下大幅提升通信资源的利用效率,可大幅降低重载铁路无线重联业务5G-R网络的传输负荷和重联系统设计的复杂度,对提升重载铁路运输生产安全和效率具有指导意义。

DPCA-POA-RF-Informer在多情景光伏多步预测中的应用

针对光伏发电波动性与不确定性对电力系统稳定产生的影响,对多情景光伏发电功率的多步预测进行研究。首先通过密度峰值算法根据太阳辐射量、温度、湿度等气象数据对天气状况进行精确分类。其次,为了使模型表现出更好的性能,建立了鹈鹕算法优化随机森林(POA-RF)的因素筛选特征变量,模型用鹈鹕算法对随机森林的决策树数目和深度两个参数进行寻优,加强了因素筛选的有效性。最后,基于Informer模型对不同天气状况的光伏功率进行多步预测。实例计算结果验证了所提模型预测精准度的有效性与精准性。

机理引导下的阶跃型滑坡位移预测深度学习模型

阶跃型滑坡变形时间曲线呈阶梯状,阶跃变形量大,准确预警预报困难。针对现有模型在阶跃型滑坡快速变形阶段预测误差大的问题,提出一种机理引导下的阶跃型滑坡变形预测模型,该模型在深入分析滑坡变形机理上,结合变分模态分解开展滑坡位移和影响因子的动态响应分析,为Informer模型提供合理有效的外部影响因子输入,结合多头注意力机制和池化层,实现阶跃期时序数据关键周期信息的有效提取。本研究以三峡库区白水河滑坡为例,收集水库蓄水以来连续15年的逐月位移监测数据及同期逐天的降雨和库水位数据。试验结果表明,本文模型在阶跃型滑坡位移预测中整体预测精度较高,与主流预测模型相比,该模型对快速变形期的阶跃变形预测较为准确,预测误差较小。

基于改进Informer的云计算资源负载预测

负载预测是云计算资源管理中的重要组成部分,准确预测云资源的使用情况可提高云平台性能及防止资源浪费,然而云计算资源使用的动态性和不确定性使得负载预测较为困难,尽管Informer在时序预测领域取得了较好的效果,但未对时间的因果依赖关系加以限制造成未来信息泄露,也未考虑网络深度的增加导致模型性能下降的问题。为解决上述问题,提出一种基于改进Informer的多步负载预测模型(Informer-DCR)。将编码器中各注意力块之间的正则卷积替换为扩张因果卷积,使深层网络中的高层能够接收更大范围的输入信息来提高模型预测精度,并保证时序预测过程的因果性。在编码器中添加残差连接,使网络中低层的输入信息直接传到后续的高层,解决了深层网络退化问题。实验结果表明,Informer-DCR模型在不同预测步长下的平均绝对误差比Informer、时间卷积网络等主流预测模型降低了8.4%~40.0%,并且在训练过程中表现出比Informer更好的收敛性。

基于策略梯度Informer模型的滚动轴承剩余寿命预测

典型的编码器-解码器——Transformer存在二次时间复杂度、高内存使用及模型结构复杂等固有限制,造成Transformer用于滚动轴承剩余寿命(RUL)预测会表现出较低预测精度和较低计算效率的问题。为此,提出一种新型编解码器——策略梯度Informer(PG-Informer)模型,并将其应用于滚动轴承RUL预测。首先,在PG-In-former的新型编解码器体系结构——Informer中设计了概率稀疏自注意力(PSSA)机制替代Transformer中原有的自注意力机制,以提高非线性逼近能力并减少时间和空间复杂度;然后,PG-Informer采用自注意力蒸馏(SAD)操作减少参数维度和参数量,并提高了对时间序列的预测鲁棒性;此外,PG-Informer的生成式解码器对解码输入进行一步解码输出预测结果,无需动态多步解码,提升了对时间序列的预测速度;最后,构造了策略梯度学习算法来提高对PG-Informer参数的训练速度。PG-Informer的以上优势使所提出的基于PG-Informer模型的滚动轴承RUL预测方法可以获得较高的预测精度、较好的鲁棒性和较高的计算效率。对辛辛那提大学智能维护系统中心的1号滚动轴承的RUL预测实验结果表明,所提出方法预测得到的RUL值为963min,其RUL预测误差仅为6.50%,比基于Transformer的RUL预测方法预测精度更高、预测误差更小、鲁棒性更好;所提出方法所耗费的RUL预测时间仅为132.37s,比基于Transformer的RUL预测方法的预测时间更短。以上实验结果验证了所提出方法的有效性。