基于LSTM多步预测模型的空气质量预测与预警

本文首先通过斯皮尔曼相关性分析及灰色关联分析,以两方式相对比的方式筛选出与PM2.5浓度变化有关的因素,通过随机森林回归算法得出因素对PM2.5浓度的影响程度。然后将LSTM神经网络模型与多步预测模型相结合,构建LSTM多步预测模型,并设置步长用于预测PM2.5的值,根据均方根误差检验对模型效果进行评估。最后,将数据集带入LSTM多步预测模型并设置步长用以预测AQI的值。

一种基于LSTM物流资源需求预测模型

对云制造环境下物流资源需求进行精准预测的方法展开研究。首先,分析了传统预测方法的不足。其次,设计了一个基于长短时记忆(LSTM)预测模型,用于云制造环境下的物流资源需求预测。最后,通过对预测结果进行多方面的评价,可以发现相较于其他方法,文中模型在多因素环境下具有更高的预测精度和更佳预测效果,具有可行性。

基于LSTM的作物需水量预测模型研究

为了提高作物需水量的预测精度,提出基于LSTM (长短时记忆网络)的作物需水量预测模型。模型以空气温湿度、风速、日照时数为特征输入值,作物需水量为标签输出值,以枣树为试验对象,进行了相关预测试验,并将预测结果与RNN模型,FCNN模型的准确性进行了对比分析,结果表明LSTM预测模型的精确程度更高,该方法在节水灌溉领域具有一定的研究意义。

基于神经网络LSTM模型的潮位预测研究

潮位预测工作对扫雷布雷、港口及航道管理、水运资源开发、救生打捞等方面具有重要的意义。潮汐调和分析是目前使用最广泛的潮汐数据分析方法,但是依赖于大量的数据,存在短期潮位预测精度不高的问题,针对这个问题本文提出一种深层神经网络LSTM预测模型,可以通过保持神经元的上下文记忆的方式,提高预测精度。经过实验验证,该模型长期预测均方根误差(RMSE)在0.06左右,短期预测均方根误差(RMSE)在0.12上下,预测的结果较为精准。

基于深度学习的无线衰落信道预测方法

分别从LSTM和Seq2Seq两方面对无线衰落信道进行预测。首先利用Rayleigh模型和Ricean模型产生不同衰落程度的衰落参数,利用Jakes模型生成信道模型;然后利用LSTM和Seq2Seq生成预测器并利用部分数据进行训练;最后用滑窗模型对信道进行预测、仿真、对比、分析。

长短期记忆神经网络在叶绿素a浓度预测中的应用

针对传统人工神经网络对叶绿素a浓度预测存在训练速度慢、收敛精度低、易陷入局部最优,尤其是无法灵活的利用任意长度的历史信息对叶绿素a浓度进行预测等问题,本文根据海洋各要素与叶绿素a浓度之间的长短期依赖程度,对叶绿素a浓度与各要素间的关系进行界定,分别将各要素与叶绿素a浓度之间的长期依赖关系与短期依赖关系分割开来,并且在长短期记忆(Long Short-Term Memory, LSTM)神经网络模型的基础上构建融合的LSTM预测模型,模型中的长期依赖关系与短期依赖关系分别使用不同的神经元,最终在模型的最上层进行长短期融合。本文选取三都澳站位的连续监测资料作为实验数据,实验结果表明本文构建的模型不仅具有训练误差下降快的优点,与其他3种经典的神经网络模型相比,预测精度也有显著提高。

基于敏感参数发现的区域重点污染物浓度预测

污染物浓度变化趋势对于环境监测工作意义重大.现今各种前馈神经网络预测模型的输出结果仅与当前输入有关,无法研究污染物数据前后依赖关系.且多种污染物具有相同排放源,污染物间往往存在潜在关联关系,一种污染物的变化可能反映另一种污染物变化,所以在预测中需考虑其他敏感参数的影响.针对上述两个问题,提出一种基于敏感参数发现的区域重点污染物浓度预测方法.应用关联规则算法及多元回归分析挖掘出各污染物的敏感参数,构建多变量LSTM预测模型,将待预测污染物及其敏感参数作为预测模型特征变量,进行污染物的浓度预测.实验结果表明本文方法可有效预测污染物浓度变化趋势,预测效果优于未经关系发现的LSTM模型.

面向矿区的太阳能智慧路灯系统设计与实现

在“智慧矿山”发展战略的推动下,该文旨在对矿区路灯照明系统进行研究。太阳能路灯在矿区的应用成为响应国家“碳达峰、碳中和”政策的一种节能降耗方式。然而,太阳能无可避免地受到天气、季节、昼夜等因素的影响,需要进行节能控制。因此,面向矿区的太阳能智慧路灯系统在传统太阳能路灯技术的基础上进行改进,首先,通过神经网络算法LSTM建立能见度预测模型,从而根据预测值切换照明方式,实现节能的目的;其次,搭建完整可靠的软硬件系统及远程控制平台,利用无线通信的方式实现局部组网,使其远程可靠控制;最后,通过设计模拟实验验证本系统的可实施性。面向矿区的太阳能智慧路灯系统以深度学习的方式对未来一段时间内的能见度进行预测,可以根据预测值提前分配电能使用,最大限度减少自然因素的影响,对矿区的照明和节能具有重要意义。

小批量物料的生产安排研究

目前许多电子产品制造企业在多品种小批量的物料生产中,事先无法知道物料的实际需求量,因此,合理地安排物料生产非常重要。本文通过分析某电子厂所提供的物料需求量历史数据,建立与时间序列相关的预测模型,为企业提供合理的生产计划,该预测模型也具有一定的推广价值。

公路工程电子档案数字化管理及检测

为提高公路档案数字化管理与检测水平,对公路档案管理现状进行分析,提出相应的整改措施,对公路档案数字化检测中的“四性”进行定义,并构建LSTM预测模型。分析表明,目前公路档案数字化管理存在电子文件存档率低、档案管理制度需进一步完善、档案管理人员专业化程度需要进一步提高等问题,可以从提高电子文件利用率、完善电子档案管理制度、建设专业技术团队等方面对电子档案管理进行优化。公路档案质量检测要求档案具有真实性、完整性、可用性和安全性;采用基于LSTM的公路档案“四性”检测,相较于传统的预测方法,其准确率更高,有较好的预测效果。

基于历法的冬季输水气象特征指标相关性研究

气象是长距离输水渠道冬季安全运行的重要影响因素,预测影响冰情产生和发展的冬季输水气象特征指标是实现渠道冬季安全高效输水的一个重点。通过探索中国传统历法在辐射、气温分析中的作用,以南水北调中线北段沿线邢台站、保定站和北京站为研究对象,对比不同历法下入冬前气温与冬季输水气象特征指标间相关性的优劣,并利用LSTM预测模型对公历、干支历和阴历3种坐标系下冬季输水气象特征指标进行预测,来研究不同历法对冬季输水气象特征指标分析和预测的影响。结果表明:阴历坐标系下入冬前气温与冬季输水气象特征指标相关性更强;采用阴历在构建气象、冰情预测模型的过程中,较公历、干支历具有显著的优越性,可显著提高预测模型的准确性。

基于支持向量机的海量电力数据智能分类方法

针对电力公司海量数据分类问题,提出一种改进的k-means数据分类方法。在k-means算法的基础上,应用PCA对k-means算法进行降维处理,用canopy算法优化最佳簇集数、初始聚类中心。然后,应用改进的k-means算法对居民用户用电进行聚类;最后以该聚类结果为基础,建立LSTM预测模型。通过LSTM预测模型对某小区90户居民用电数据进行仿真实验,并对比分析了传统聚类、改进聚类和不适用聚类下LSTM三种模型的预测结果。结果表明,未使用任何聚类算法构建的LSTM模型在进行电力负荷预测时,预测结果的精度最低;应用改进的k-means算法构建的LSTM模型预测结果精度最佳。