基于KNN-LSTM神经网络模型的炉温预测

以产线传感器回传数据为基础,根据时间序列对历史数据趋势高度依赖的特点,考虑时间节点之间的相关性,通过Gaussian_KNN(高斯加权的K最邻近法)对回转窑分解炉温度上下游参数的历史数据进行赋权,再传入含有LSTM(长短期记忆神经网络)的Sequential模型中,学习历史数据中各节点储存的信息以及节点之间的相关性,结果显示相对准确地预测了回转窑的温度,为水泥回转窑控制系统精准控制提供了依据。

基于TEI@I的港口集装箱吞吐量预测方法研究

文章基于TEI@I (Text mining+Econometrics+Intelligent algorithms@Integration)方法论,提出了一种能够适应外部突发事件的港口集装箱吞吐量预测框架.首先对港口集装箱吞吐量原始序列进行互补集合经验模态分解(CEEMD),得到不同时间尺度的子序列,并分析各子序列的复杂性,平稳性和(与原序列的)相关性,在此基础上分类重构新的子序列;然后根据各子序列的不同特征构建和选择适配的预测模型,对于外部突发事件造成的冲击部分,引入改进的标准事件分析法量化不规则大事件的影响方向,影响程度和影响时长;最后集成各部分的预测结果并结合“专家系统”进行优化得到最终预测结果.通过上海港及青岛港的实证研究,表明该方法能够在发生重大不规则事件的情况下保证其预测精度,预测方向和模型稳定性,其预测结果优于其他基准模型.