融合SEIR与LSTM模型的传染病预测研究

针对现有的传染病预测模型未充分考虑时间序列的复杂度且预测性能不稳定等问题,提出一种基于传染病动力学模型SEIR与长短时记忆网络(LSTM)的传染病组合预测模型.首先,通过计算Pearson相关系数分析气候因素与传染病新增人数之间的相关性;其次,通过FE(Fuzzy Entropy)算法提取序列的局部特征且保证序列的平稳性,降低时间序列的复杂度,提升时间序列的可预测性;最后,根据传染病特点,构建SEIR模型分析不同人群传播情况,并结合LSTM模型实现大幅度提升传染病预测精度.仿真结果表明,相较于传统的模型算法,本文提出的混合模型能保证预测的平稳性并实现更高的预测精度,同时,本文使用该混合模型在不同的干预策略下进行预测,表明了提早采取防控措施对遏制传染病传播的重要性.

考虑记忆时间的LSTM模型在赣江流域径流预报中的应用

在气候变化条件下,准确的径流预测对水资源的规划与管理十分重要。本文基于长短时记忆神经网络(LSTM)模型,采用赣江流域外洲、峡江以及栋背水文站的逐日流量以及CN05.1日降水数据构建3个不同面积流域的径流预测模型,并通过设置不同情景分析:模型的有效预见期与不同流域平均产汇流时间之间的关系,有效预见期内LSTM径流预测模型精度与记忆时间之间的关系,不同长度的预见期与模型最佳记忆时间之间的关系,同时探讨LSTM径流预测所需的记忆时间与流域面积的关系。结果表明:(1)综合考虑降水和前期径流情景下的径流预测效果最好,当预见期为1 d时,外洲、峡江、栋背站的纳什效率系数(NSE)分别可达0.98、0.96以及0.90;且其有效预见期与仅考虑降水信息的有效预见期相同,均与流域平均产汇流时间相近。(2)随着预见期的延长,不同情景下的预测精度均有不同程度的下降,其中仅考虑前期径流情景的下降率最大,说明降水信息较前期径流对径流预测效果的提升更重要。同时,随着流域面积的增加,相同预见期内径流预测精度均有所提升。(3)当预见期相同时,随记忆时间的延长,不同径流预测模型的预测精度均先上升至最高,接着具有下降趋势,最后逐渐趋于稳定。且在有效预见期内,随着预见期的延长,最佳记忆时间均有增大趋势,当达到最长的有效预见期时,对应的最佳记忆时间均为14 d。此外,在赣江流域的模拟结果表明,随着流域面积的增大,LSTM的最佳记忆时间减小。研究结果可为赣江流域的径流预报提供参考,同时有助于推求其他流域采用机器学习进行径流预测所需的最佳记忆时间。

基于径流模数的LSTM模型在无资料嵌套流域的应用

针对LSTM模型参数在无资料嵌套流域移植效果不佳的问题,以屯溪流域为研究对象,以其嵌套子流域为参证流域,综合考虑面积因素对参数移植法的影响,建立了基于径流模数的LSTM模型(RM-LSTM模型),并采用参数移植法进行流域洪水过程模拟。结果表明:RM-LSTM模型在研究流域应用效果较好,模拟结果的确定性系数达0.87,洪峰、洪量及峰现时间合格率均在85.0%以上;在参证子流域内,RM-LSTM模型参数移植后模拟结果的确定性系数及洪峰、洪量、峰现时间合格率较LSTM模型参数移植结果均有明显提升;RM-LSTM模型能够更好地考虑流域面积变化对参数移植方法的影响。

基于量子行为花朵授粉算法优化LSTM模型

针对传统花朵授粉算法(flower pollination algorithm, FPA)受初始参数影响较大、且易陷入局部最优解或算法无法收敛等问题,提出一种基于量子行为的花朵授粉算法(quantum-inspired flower pollination algorithm, QFPA).通过引入量子系统到FPA中,使授粉过程中的搜索更高效,从而提高全局搜索能力.此外,还引入轨迹分析,使种群能更好地逃离局部最优解,进一步降低误差.为验证该方法的有效性,先通过选定的几个基准函数对QFPA进行评估,然后采用评估效果最好的QFPA对长短期记忆网络(LSTM)模型超参数进行寻优,最后在用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)算法去除噪声后的空气质量数据集上进行实验,并与其他几种常用的优化算法进行对比.实验结果表明:QFPA提高了优化算法的全局搜索能力和收敛性;QFPA-LSTM模型增强了长时间序列数据预测的准确性和效率,该模型预测的均方根误差为10.93μg/m^(3),为实际应用中的空气质量预测提供了可靠的解决方案.

基于LSTM模型的浮式风机系泊监测数据解算方法

针对浮式风机系泊倾角监测数据如何准确解算为系泊张力响应的问题,提出一种基于长短时记忆(LSTM)网络与全连接网络(FCN)相结合的系泊张力解算模型。首先,针对在役的“扶摇号”浮式风机,建立风-浪-流耦合时域仿真模型,用以获取不同工况下系泊张力与倾角数据,从而形成神经网络的训练与验证数据集。在Keras框架下,开发FCN与LSTM的组合网络模型,选取Adam优化器进行训练,获得验证集损失函数最小的网络参数。最后,分别采用传统悬链线方程与神经网络模型对系泊张力响应进行预测,并与实际结果进行比对分析。结果表明:神经网络能够考虑到不同系泊倾角对应的导缆孔平均高度变化以及系泊运动的动态过程,在系泊张力时程曲线、均值、标准差及最大值等预测上比传统悬链线方程具有更高的精度,两者对于系泊张力最大值的预报误差分别为6.4%和17.1%。

基于多变量LSTM模型的黄河流域气象干旱预测研究

干旱是对人类社会发展影响最严重的自然灾害之一,气象干旱预测是干旱研究中的重要方向。为提高气象干旱的预测精度,将多变量方法应用到长短期记忆模型(Long short-term memory,LSTM)预测黄河流域标准化气象干旱指数(Standardized precipitation evapotranspiration index,SPEI)的过程中,并和单变量LSTM模型的结果进行对比。使用均方根误差、平均绝对误差、纳什效率指数作为评价指标。结果显示,在对黄河流域临夏站、陶乐站、铜川站各自5种时间尺度SPEI(1、3、6、9和12个月)的预测中,多变量LSTM预测结果的3种评价指标值均明显优于单变量LSTM预测结果;可视化结果也显示多变量LSTM方法的预测曲线更接近观测值曲线。研究证明了多变量LSTM模型对于提高黄河流域气象干旱指数预测精度的有效性与适用性。

我国碳排放权交易价格预测研究——基于LSTM模型

科学预测碳排放权交易价格对我国碳市场建设以及“双碳”目标实现具有重要意义。近年来,碳市场价格表现出非平稳、非线性等不规律特征。传统统计模型和方法的预测能力有限,随着深度学习等智能算法的普及,神经网络被用于时间序列预测中,较好地解决了上述预测难题。基于此,本研究采用长短时记忆网络(LSTM)模型对我国碳排放权交易价格进行长期预测,并将预测结果与循环神经网络RNN模型对比分析。研究结果显示,LSTM模型对我国碳排放权交易价格具有较好的预测能力,克服了传统模型的局限性。这一研究为未来碳市场价格趋势的预测和相关政策制定提供了有价值的参考。

基于数据增强技术的LSTM模型变压器故障诊断研究

为了解决变压器故障诊断中存在着依靠人工经验等方面的问题,提高变压器故障诊断的能力,笔者提出了基于数据增强的长短期记忆网络(long short-term memory,LSTM)模型的变压器故障诊断方法。首先通过数据增强技术增加数据样本量,然后利用LSTM构建变压器故障诊断模型,最后进行变压器故障诊断实验。结果表明:该方法预测的准确率、查准率、查全率及F1值均达到0.998;与支持向量机模型比较,各项评价指标至少提高8%。该方法能够提高变压器故障诊断能力,有助于变压器故障的诊断与维修。

基于销量预测的LSTM模型优化

为了解决销量预测精度不准确以及数据集贫乏的问题,实现结果更精准、效率更高的销量预测,提出一种基于特征工程的长短时记忆(LSTM)神经网络销量预测模型.LSTM模型是经过循环神经网络(RNN)模型优化后的一种特殊结构,适用于处理与时间序列相关的问题.通过特征工程提取、筛选、衍生出新的特征序列与原始特征序列融合,并结合LSTM算法进行销量预测,提高了LSTM模型预测的精准度.以Rossmann店铺的实际销售数据为例,证实了经过优化后的特征序列集融合LSTM模型进行预测,在提高预测效率的同时也提升了预测结果的精准度.

基于不同时间尺度的LSTM模型下产品订单需求量的预测

本文使用LSTM模型对日、周、月三个时间尺度下的产品需求量进行预测。结果表明,采用日尺度模型时,由于时间序列过长,模型无法达到收敛状态,在构建模型时应缩短时间序列;而使用周尺度模型时,损失函数逐渐收敛于横轴,训练效果较为显著;月尺度模型仍有提升空间,需要进一步训练以完全收敛。不同时间尺度会对预测精度产生影响,很大或很小的时间尺度可能导致预测误差增加。

农民消费可持续性“U”型评价与乡村经济振兴关联:LSTM模型设计视角

本研究旨在探讨农民消费的可持续性评价与乡村经济振兴的关联,并以LSTM模型为设计视角进行分析。首先,构建了农民消费可持续性评价指标体系,包括可持续发展的概念与特征、农民消费的可持续性问题、相关指标的选择和定义等内容。其次,对农民消费行为进行了分析,包括农民消费行为特点的概述、农民消费行为对可持续性的影响、数据收集方法和样本选择等。然后,分析了乡村经济振兴的现状与需求,包括政府对乡村经济振兴的政策支持、乡村经济振兴的发展现状和趋势、乡村经济振兴面临的问题与挑战以及农民消费对乡村经济振兴的需求等。最后,通过对“U”型评价指标与乡村经济振兴的相关性分析和LSTM模型设计与预测结果分析,揭示了农民消费可持续性与乡村经济振兴的关联。

基于LSTM模型的海上电网谐波预测分析

随着海上油气田电力电子技术的进步,海上平台电网面临着谐波问题,这些谐波由非线性负载和电力电子设备产生,对电网的电能质量构成威胁。海上电网的特殊性,如较小的规模和较低的自然谐振频率、海底电缆的电容效应,使得谐波问题更为严重。LSTM模型以其门控机制能够有效捕捉时间序列数据中的长期依赖关系,适用于谐波预测任务。基于此,提出了一种基于长短时记忆网络(LSTM)模型的海上电网谐波预测方法,通过数据收集、特征提取、数据预处理、模型设计、训练和评估以评估电网现状并预测谐波变化趋势。研究结果表明,LSTM模型能够以较高的精度预测谐波含量,为谐波治理提供了科学依据。

基于改进LSTM模型的沪铜期货价格预测

相对于国内股票价格预测研究,国内大宗商品期货价格的预测研究相对较少。沪铜期货自上市以来其主力连续价格最高价为85500元/吨,最低价格为13670元/吨,对其投资风险可见一斑。本文选取沪铜期货1995年4月17日至2023年12月29日一共6992条的交易数据为测试样本,采用麻雀搜索算法(SSA)对长短期记忆模型(LSTM)进行超参数优化,并进行了优化前后的预测结果对比分析,结果显示:优化后的SSA-LSTM组合模型预测结果优于单独的LSTM模型,平均绝对误差MAE、均方根误差RMSE和平均绝对百分误差MAPE分别下降了16.46%、15.93%、16.98%。另外,从LSTM模型和SSA-LSTM组合模型的预测结果拟合图来看,两个模型的整体拟合效果较好,SSA-LSTM组合模型整体拟合效果优于LSTM模型;从拟合图局部可以清晰的看出,LSTM模型在价格峰值、峰谷的拟合效果要明显差于SSA-LSTM组合模型。无论是从拟合图的整体拟合效果还是局部的拟合效果分析,SSA-LSTM组合模型的拟合效果均优于LSTM模型,再次证明了麻雀搜索算法对LSTM模型的优化在沪铜期货这个标的有效性。

LSTM模型在用电信息采集系统数据计量分析

利用长短期记忆网络(LSTM)模型对用电信息采集系统获得的数据进行计量异常分析。首先,对用电信息采集系统的数据特点进行了简要介绍,在对LSTM模型进行概述的基础上详细介绍了模型结构;其次,LSTM模型在使用前需要利用历史数据信息对其进行训练与验证,通过实际训练发现模型的两个重要技术指标:平均检出率和平均误检率分别为76.27%和17.23%;最后,通过对三个智能电表的数据进行分析,有效验证了LSTM模型在计量异常分析中的有效性和可靠性。

基于LSTM模型的电力分配优化策略及路径研究

随着电力系统规模的扩大和能源需求的增加,电力分配的优化成为提高能源利用效率和保障电力供应稳定性的关键问题。本文以LSTM(Long Short-Term Memory)模型为基础,探讨其在电力分配优化中的应用。从预测性能评估和优化效果对比两个角度,全面评估了基于LSTM模型的电力分配优化方案。通过对比实验结果和传统方法,验证了LSTM模型在提高电力分配效率和可靠性方面的显著优势,为电力系统的智能化和可持续发展提供了新的技术路径和理论支持。

基于LSTM模型的蒸汽消耗预测

在卷烟生产过程中,蒸汽属于二次生产加工能源,一般由动力车间根据生产需求计划进行生产,是不可或缺的能源之一。准确预测蒸汽消耗对于节约能源、优化锅炉调度、降低成本和提高效率至关重要。传统的预测方法通常存在精度不足或无法处理时间序列数据的复杂性等问题。文章提出了一种基于LSTM的模型来预测卷烟生产过程中的蒸汽消耗量,并探讨了如何利用该模型进行锅炉调度的优化。通过实际数据集的实验验证,证明了LSTM模型的优越性和其在卷烟工业中的应用潜力。

基于EEMD-LSTM模型的BDS卫星轨道预报精度分析

为解决深度学习模型中轨道误差序列数据的噪声误差积累问题,提出EEMD-LSTM组合预测模型,并利用GEO、IGSO、MEO三类卫星数据进行轨道预报分析。结果表明,EEMD-LSTM组合预测模型在卫星轨道预报中能够有效抑制噪声的误差积累,GEO、IGSO、MEO三类卫星的轨道预报精度均有所提高,也能够有效拟合动力学模型轨道的预报误差,EEMD-LSTM组合预测模型对GEO、IGSO、MEO三类卫星的平均改进率imp分别提高2.70百分点、2.46百分点和8.33百分点。

基于SSA-PSO-LSTM模型的电离层TEC预报

受多种因素影响,电离层电子总含量(TEC)时间序列具有非线性、非平稳性特征,为提升长短期记忆(LSTM)神经网络模型在电离层TEC预报中的精度,本文在该神经网络模型的基础上,引入奇异谱分析(SSA)与粒子群优化(PSO)算法,构建了新的SSA-PSO-LSTM模型。一方面,利用了SSA对TEC时间序列进行数据预处理;另一方面,利用粒子群优化算法改进LSTM神经网络模型参数。选用欧洲地球参考框架(EUREF)提供的格网点电离层TEC时间序列数据进行实验,实验结果表明,在磁平静期与磁暴期,该组合模型的TEC预报结果均方根误差分别为0.28个总电子含量单位(TECu)、0.83个TECu,平均相对精度分别为96.35%、91.33%,均优于对比模型,验证了本文提出的组合预报模型的有效性与优越性。平均相对精度分别为96.35%、91.33%,均优于对比模型,验证了本文提出的组合预报模型的有效性与优越性。

基于APSO-LSTM模型的短期电力负荷预测

利用短期负荷预测进行自动发电系统超前控制,有利于实现电力负荷的实时供需平衡。由于电力负荷本身非线性、非平稳且受各种因素的复杂影响,预测准确率不高。LSTM模型被广泛应用到负荷预测中,但是由于模型优化算法的初始参数根据经验值设置,模型的泛化能力低且降低了预测精度。将改进的自适应粒子群算法与LSTM模型相结合,使学习因子、惯性权重动态化,同时改进位置更新公式,提升粒子群算法的寻优能力,寻找LSTM模型中不同优化算法下最佳的初始学习率。实验结果表明,在不同优化算法下APSO-LSTM模型比LSTM模型的预测误差更低,验证了优化方案的可行性。

基于LSTM模型的冲击地压预测方法研究

预防冲击地压是煤矿开采过程中面临的重大难题,近些年来随着煤矿开采逐渐由浅层转向深层,我国煤矿发生冲击地压的次数随之增加。冲击地压严重威胁着煤矿工作人员的生命安全,并造成巨大的经济损失,因此对冲击地压预测研究尤为重要。传统预测方法只能分析冲击地压发生前少量前兆信息,无法做到根据历史信息预测未来冲击地压相关信号变化趋势。为了探究冲击地压预测方法,选用来自发生过冲击地压煤矿的岩石,利用TYJ-500KN微机控制电液伺服岩石剪切流变试验系统与SH-II声发射系统进行冲击地压相似模拟实验。将实验采集的抗压强度信号和声发射信号进行信息融合,利用具有记忆属性的长短期记忆神经网络(LSTM)预测数据。研究结果显示,预测数据与实际分析数据曲线拟合度高,数据中均方根误差最大值小于0.6,LSTM模型用于冲击地压预测具有良好的前景。