基于LSTM-SAE网络的隧道内机电设备智能监控系统设计

对隧道机电设备的监控和寿命预测方法进行研究,并与传统方法进行对比。使用LSTM-SAE网络进行设备寿命的预测,并开展智能监控工作,首先确定设备剩余寿命的特征因子,对噪声进行了平滑处理,并进行数据的归一化,然后基于LSTM进行设备的寿命预测,针对LSTM的不足,引入SAE稀疏编码器进一步提升网络预测的精确性,建立LSTM-SAE网络进行预测。建立B/S结构的监控系统,使用以太网连接服务端和浏览器端,建立拥有状态监测模块、故障处理统计模块、寿命分析预测模块的控制系统。最后对电池寿命进行预测,BP神经网络预测、支持向量机预测、贝叶斯预测和线性回归预测进行对比,证明系统具有较高准确性,MAE、RMSE、SF值分别为8.68、9.23、39.12,具有较高准确性。研究实现了LSTM和SAE的融合,相比传统BP网络更加准确,能够满足隧道机电设备预测的特殊需求。

短时交通流预测方法分析研究

随着国家交通路网智能化的发展,道路交通的通行管控研究已成为炙手可热的内容。高速公路交通流预测研究对缓解交通压力提高道路通行能力有着重要意义。本文通过比较LSTM模型、GRU模型和SAEs模型对都市地区高速公路交通流的预测结果,分析了三种模型的优劣及目前高速公路研究方向的不足之处,提出进一步改进措施,为交通流模型预测提供了理论分析基础。本文以真实数据为基础,分析比较了三种LSTM模型、GRU模型和SAEs模型的预测精度,研究发现SAEs模型的预测误差最小,从多个评价指标分析发现MAE降低0.14,MSE降低7.24,模型拟合度更高,预测精度显著提高,为高速公路交通流研究提供借鉴。