多用户复杂网络信息流短时预测方法

当前的多用户复杂网络信息流短时预测模型多为单一结构,预测的范围较小,为此提出多用户复杂网络信息流短时预测方法。根据实时的信息流预测需求及标准的变化,设定最大预测误差范围,采用多阶的方式构建多阶短时预测模型,建立短时模糊预测流程,构建多用户复杂网络信息流短时预测模型,采用自适应修正处理,实现信息流预测。测试结果表明,设计方法的信息流的短时预测F值均可以达到0.95以上,表明该方法的泛化能力与针对性均得到增强,可以大范围地精准预测信息流。

基于PSO-LSTM的短时交通流量预测网站设计

短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。

基于粒子群和LSTM模型的变区间短时停车需求预测方法

停车信息是智能停车诱导系统得以成功实施的关键与基础,被广泛认为能够有效解决当前停车难问题。鉴于停车信息在解决停车问题中的重要性,研究了基于粒子群和LSTM模型的变区间短时停车需求预测方法。为充分发挥数据在提高模型预测精度的作用,提出了以马尔可夫生灭过程为基础概率转移模型,将停车到达率、离开率量化车随时间变化的停车需求,通过标定实际的停车到达率和离开率,确定预测模型的动态预测间隔与时段;采用LSTM网络作为基础预测模型,并利用粒子群优化算法优化网络参数。以吉林大学南岭校区停车场为研究对象,按工作日与非工作日分别对停车数据进行预测并与其他预测模型进行对比分析。结果表明:提出的停车需求预测模型在工作日的预测平均绝对误差为2.53辆,均方误差为11.89辆;非工作日的预测平均绝对误差为2.32辆,均方误差为10.89辆。

电厂蓄热式高炉燃烧碳排放峰值预测方法研究

影响蓄热式高炉燃烧碳排放的因素较多,如果不能同时对多种因素进行分析,会严重降低碳排放峰值的预测精度,因此提出电厂蓄热式高炉燃烧碳排放峰值预测方法。根据蓄热式高炉的工作原理,结合质量守恒与能量守恒方程,分析蓄热式高炉运行过程中的炉内能量转化情况。按照高炉内二氧化碳的不同排放方式,计算电厂蓄热式高炉燃烧碳排放量。引入LMDI方法,分析影响电厂蓄热式高炉碳排放的因素,并将影响因素分析结果输入LSTM网络中,通过LSTM网络内循环单元对数据的多层处理,实现燃烧碳排放峰值的预测。实验表明,所研究方法能够实现电厂高炉燃烧碳排放峰值的精准预测,具有较高的实际应用可靠性。

基于LSTM网络模型的光伏发电功率短期预测系统

光伏发电受天气因素影响,具有明显的间歇性和波动性特征。该文提出了一种基于LSTM网络模型的光伏发电功率短期预测方法,该方法以STM32单片机为控制核心,实时采集光照辐度、温度、相对湿度、风速等数据。利用相关系数法筛选相关度较高的因素,作为LSTM网络模型的输入变量,对未来光伏发电功率进行短期预测。MATLAB仿真实验结果表明,该文所提方法与其他预测模型相比具有较高的预测精度,在晴天与多云天气下预测的MAPE值分别为4.943%和4.997%,有利于我国电力系统的稳定运行和电网工作人员的调度。

基于CNN-LSTM的工业出水水质预测模型

工业废水含有多种污染物,提前预测工业废水水质从而快速对其进行相应处理具有重要意义。为此,研究提出了一种新的卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)融合的工业废水水质污染物指标预测模型(CNN-LSTM)。为了更好地捕捉工业废水数据的时序性和动态性,模型设置了多个滑动窗口。使用CNN算法将时间序列数据进行高维特征提取,利用LSTM模型学习时间序列数据的时序特征,建立CNN-LSTM工业废水预测模型,并对废水水质中的化学需氧量(COD_(Cr))、氨氮、总磷(TP)3项指标进行预测分析。结果表明,与CNN和LSTM两个基准模型相比,CNN-LSTM预测模型的平均绝对值误差率(MAE)和均方误差率(MSE)均较小,预测效果较优。该模型能较好地实现对工业废水出水水质的准确预测,可为工业废水水质的在线监测和精准控制提供有效的、可行的技术支持和决策依据。

基于CEEMDAN-LSTM组合方法的海平面变化预测分析

为提高海平面变化预测精度,将自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆网络(LSTM)相结合,采用“分解-预测-重组”思路,提出一种海平面变化预测组合方法CEEMDAN-LSTM。结果表明,相对于直接使用LSTM神经网络进行预测(MAE=16.87 mm, RMSE=21.51 mm),以及已有的EEMD-BP神经网络组合方法(MAE=10.4 mm, RMSE=15.44 mm),CEEMDAN-LSTM组合方法预测表现最优(MAE=8.89 mm, RMSE=11.34 mm),具有最低的预测误差。

基于大数据的轨道交通短时客流预测研究

轨道交通以其高效、快速、准时的优势,得到了城市内旅客出行的青睐。轨道交通站内及线上的客流变化情况直接影响了轨道交通运营的安全性和高效性,尤其是针对特殊情况客流产生巨大增长的情况,因此,开展短时客流预测研究具有重要意义。大数据技术为短时客流预测研究带来了便利和挑战。本文立足于大数据时代,对近年来城市轨道交通短时客流预测采用的模型、方法以及对时间粒度的选择进行了综述,研究主要面向普通机器学习算法和深度学习网络开展。结果表明,具有时空特性的长短时记忆模型(LSTM)是客流预测领域一种应用广泛且效果优异的模型。此外,时间粒度的选择与预测的对象、模型和方法有关,15和30min的时间粒度适合于大多数情况。

水泥分解炉出口温度LSTM分步预测方法研究

分解炉出口温度是水泥分解工艺的重要指标,温度是否合理对于水泥产品质量有重要意义。为对水泥分解炉出口温度进行预测,结合质量影响因素分析选取的工艺参数,基于LSTM算法建立水泥分解炉出口温度预测模型,模型分为直接预测模型及分步预测模型。在验证集上采用直接预测模型进行预测并与BP神经网络模型进行对比,在实际工况的测试集上将基于状态变量预测的分步预测模型与采用近似值的直接预测模型进行对比,结果表明,分步预测模型针对实际工况有更好的泛化性能,预测误差为0.42℃,误差率仅为0.05%。该模型的建立可以为后续分解工艺参数优化及分解炉出口温度控制提供研究基础。

基于KNN-LSTM短时交通车流量预测方法的研究

针对当前现有预测模型在智能交通短时车流量预测过程中无法有效预测交通流序列规律、不能在车流量预测时充分利用交通流的时空相关性,以及循环神经网络存在梯度消失和爆炸的问题,提出了一种基于KNN(K-最近邻)和LSTM(长短时记忆)相结合的短时交通车流量预测方法。实验研究表明,该模型能够更好且有效地提取到交通流序列的时空特性,以及解决循环神经网络在短时交通流预测过程中存在的相关问题。

一种组合核相关向量机的短时交通流局域预测方法

为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.

基于自适应核密度估计的桥梁短时风速预测方法

为准确、高效地预测桥梁短时风速,提出一种基于自适应核密度估计(AKDE)的桥梁短时风速预测方法。该方法以AKDE为手段,通过历史风速获得实测风速样本总体的概率密度估计,在进行风速预测时,以当前风速样本为条件,在风速样本总体中匹配和估计预测状态的风速统计信息,从而实现对未来时刻单点风速和区间风速的预测。采用藏木雅鲁藏布江大桥现场实测风速数据对该方法进行验证,并与最小二乘支持向量机(LS-SVM)方法进行对比。结果表明:该方法可同时实现对短时单点风速和区间风速进行精度较高的预测,且与LS-SVM方法相比具有更高的计算效率,可满足实际工程快速预测风速的需求。

短时交通流预测方法研究进展

实时准确高效的交通流预测是实现交通流诱导和交通控制的关键技术之一,近年来它在智能运输领域受到广泛关注。本文首先介绍了短时交通流的属性和预测要求,接着将现有预测方法分成4类:基于线性理论的方法、基于非线性理论的方法、基于混合理论的方法和基于交通流理论的方法,并且总结评述了现有各种预测模型的优缺点,之后探讨了当今短时交通流预测领域的研究热点,最后指出了其未来研究方向。

一种平稳化短时交通流预测方法

支持向量机回归模型是以预测噪声具有对称性概率分布为假设条件,而实际的短时交通流数据序列具有非平稳特征,这就使得在采用支持向量机回归模型进行短时交通流预测时,难以保证预测噪声的对称性概率分布,从而会影响到预测精度。针对上述问题,在证明支持向量机回归模型对平稳时间序列的预测噪声具有对称性概率分布的基础上,分别针对平稳化和未平稳化的短时交通流观测序列进行了仿真预测,并对预测结果进行了比对分析。分析结果表明,采用平稳化短时交通流预测方法可将预测的均方根误差降低约21.6%,绝对值误差降低约21.3%,相对误差降低约17.3%,仿真结果验证了所提方法的有效性。

基于小波去噪和LSTM模型的短时交通流预测

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。

基于站点实时关联度的短时公交客流预测方法

为探究公交站点之间的关联度并对公交客流进行更精准的实时预测,本文提出基于Attention的交通预测核心算法(Traffic Forecast Model Based Attention,TFMA),结合数据预处理和站点信息编码完成基于站点实时关联度的短时公交客流预测方法。该方法首先创新性地提出了站点实时关联度,可实现对目标站点客流量更精准的预测;其次,在公交站点的编码信息中融入线路站点信息、客流变化率、天气、日期等关联因素;接着,该方法依靠Attention机制计算站点实时关联度;核心算法中使用multi-headed机制、增加通道和残差连接进一步提升预测能力;最后,以苏州市公交数据进行验证。结果显示:在准确率上,对比多元线性回归的53.8%、GRU(Gated Recurrent Unit)的66.9%和LightGBM(Light Gradient Boosting Machine)的81.2%,本文提出的基于站点实时关联度的短时公交客流预测方法的准确率在90%以上,表明该方法具备优秀的短时公交客流预测能力。

基于改进蝙蝠算法优化LSTM网络的短时客流预测

准确地预测地铁站短时客流量,对地铁站通风空调系统的节能优化具有重要意义。充分考虑地铁客流量非线性、随机性、周期性等特点,提出一种基于改进蝙蝠算法(IBA)优化长短期记忆(LSTM)神经网络的短时客流量预测模型(IBALSTM)。引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题;利用改进的蝙蝠算法对LSTM网络的隐含层节点数、迭代次数、初始学习率、学习率下降因子4个参数进行优化;利用西安某地铁站自动检票系统(AFC)采集的客流数据,对模型的有效性进行检验。实验结果表明:该预测模型在均方误差、均方根误差、平均绝对百分比误差等方面均优于标准蝙蝠-LSTM模型、LSTM预测模型、BP预测模型及BP-Adaboost预测模型,所提出的方法可有效应用于短时客流量预测。

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。

短时交通流预测的多层递阶方法

短时交通流预测在城市交通控制和管理中起着十分重要的作用。然而,目前很多预测模型均假定模型的参数是不随时间变化的,这与实际不符,从而影响了预测的精度。本文提出采用多层建模与灰色建模的综合方法预测短时交通流。该方法把预测问题分为两部分:一是预测模型参数的预测;二是根据参数预测值的交通流预测。其中,对模型参数运用灰色理论预测方法。实例分析表明,本方法有较好的预测精度和实用价值。

短时段交通预测时间序列方法的改进

时间序列方法在短时交通预测中应用广泛.总结了该方法的优缺点.在传统的时间序列方法基础上引入带遗忘因子的最小二乘递推算法得到改进算法,实现了实时在线预测,解决了短时交通流量实时预测中存在的随机干扰因素影响大、不确定性强的问题.