基于多序列隐关系的时序事件预测

时序事件预测是指基于历史事件预测下一个事件,事件包括时间和类型两个属性。当前主要工作集中在单方面(事件时间或事件类型)的预测,但这无法回答“何时发生何事”这类更精细的问题。此类问题的挑战主要是事件类型非常多样,而行为往往高度稀疏,给预测带来极大困难;需要预测的事件时间和事件类型分属两个域,如何把这两个域的信息加以融合并形成互补也是一个挑战。针对上述挑战,从融合多序列隐信息的角度探索了一种解决方法。基于某些事件序列之间具有模式相似性这一观察,提出建模事件序列的隐关系图,利用邻居序列的信息解决行为稀疏性的问题;通过合理设计神经网络模块,将事件的时间域和类型域的信息映射到共同的抽象空间,解决事件时间和事件类型信息的融合建模问题。通过在多个真实数据集上进行了大量实验,实验结果印证了多序列深度时序模型优于现有的一系列基准模型。

基于时序序列分解和IBAS LSTM的滑坡数据预测模型

针对传统静态机器学习模型在周期项位移预测中的缺陷和动态神经网络超参数人工选择困难的问题,在时序序列分解的基础上,提出一种新的滑坡预测耦合模型。首先,用最大相关最小冗余算法对周期项位移筛选合适的环境特征,作为长短期记忆人工神经网络的输入。然后,在天牛须搜索算法搜索过程中引入反馈机制,以避免原算法中出现远离最优解的问题;在算法迭代过程中将固定的递减因子改为动态递减因子,以提升前期全局和后期局部的寻优能力;利用改进的天牛须搜索算法对长短期记忆人工神经网络超参数进行寻优,以获得最佳的网络参数组合。最后,重构趋势项和周期项预测结果,得到最终预测位移。以发耳滑坡为例进行分析,结果表明:相较于其他方法,所提模型在平均绝对误差、均方根误差以及拟合度等方面更具优势。

基于历史趋势和预测误差的时序序列预测方法研究

针对时间序列预测方法训练复杂、迁移预测能力差等问题,提出一种自适应预测方法。先根据预测误差和当前值确定下一时刻预测值的范围,再结合短期历史趋势确定最终预测值。得到的当前预测值代入下一轮循环中继续预测,通过不断“预测-校正-预测”循环实现对数据预测。最后利用金融、风力等时序数据,LSTM、SVM、ARIMA、MA等经典时间序列预测算法在预测精度、迁移预测能力、运算速度等方面做了对比。

一种基于时序邻居序列的游离水军群组检测方法

某些卖方通过雇佣水军群组撰写虚假评论和评分等手段来影响或误导消费者的购买决策,而拥有造假间隔时间长、造假次数少、规模小等特殊造假特征的水军群组即游离水军群组,是难以识别的。为了检测游离水军群组,提出了一种基于时序邻居序列的游离水军群组检测方法。首先,通过时序网络建模评论者的共评论关系,并基于时序网络形成时序邻居序列;其次,基于时序邻居序列生成、合并和净化规则得到候选群组集合;最后,使用造假指标将候选群组分类排序,得到游离水军群组。基于两个真实数据集分别设计了三组实验来验证筛选高可疑度评论者可行性、在不同数据集上选择合适的阈值等。结果显示在两个真实数据集上本方法优于基线方法。

区域经济发展潜力时间序列预测模型仿真

为提高区域经济发展潜力时间预测准确性,提出了区域经济发展潜力时间序列预测模型仿真。文章对区域经济发展数据归一化、降维重构;基于滑动窗口,引入决策树进行区域经济发展数据时序特征提取;利用自注意力机制线性映射函数进行区域经济发展数据特征融合;基于残差网络改进CNN网络,构建区域经济发展潜力时间序列预测模型。仿真结果表明该方法的预测拟合系数较高,平均绝对误差和均方根误差均低于0.4,提升了预测的准确性。

基于无监督学习的时序序列故障诊断方法研究

随着信息技术和传感器技术的发展,基于数据驱动的故障诊断技术是保障大型工业设备高效、安全运行的关键技术之一.机器学习由于其具有强大的特征表示能力与基于大数据的特征提取优势,多种深度神经网络模型已成为故障诊断领域中最常用的特征提取方法之一.但监测设备收集到的数据中包括大量的无标签数据,基于监督学习的深度神经网络模型没有办法对其进行充分的利用,造成了部分有用信息的浪费.针对无标签数据,提出基于无监督学习的方法,利用最大化互信息的思想训练特征提取模型,在此基础上,设计一种针对时序序列数据的故障诊断方法,并在公开数据集凯斯西储大学轴承数据集上验证,取得了比以往传统方法更高的诊断精度.在卫星监测数据上进一步验证,提出的特征提取模型能够对故障不同阶段进行区分,很好地捕捉不同阶段的数据特性.结果表明,提出的基于无监督学习的故障诊断方法能够有效、充分地利用大量的无标签数据,提高时序序列数据的故障诊断精度.

清代滁河流域旱涝灾害序列重建及时序分析

收集1644—1911年有关滁河流域旱涝灾害记录的历史文献资料,建立当地清代逐年旱涝等级序列,使用频次分析、滑动平均和小波分析等方法,对滁河流域268 a内的旱涝序列变化进行了分析。结果表明:①正常偏涝是清代滁河流域气候演变的主要特征,清代初期以后,该流域涝与偏涝的情况远多于旱与偏旱的情况。②在11 a时间尺度下,滁河流域清代旱涝灾害的出现可以大致分为4个阶段,分别为1644—1720年、1720—1760年、1760—1820年、1820—1911年。③存在9、14、28、55 a左右的主周期。其中,55 a左右的周期振荡最强,为第1主周期,第2、第3、第4周期依次是28、14、9 a。研究结果可以填补该流域研究空白,深化对于历史气候变化的认识,为科学利用水资源和预防灾害提供参考。

一种时序情感记忆可约束可解释的序列推荐方法

序列推荐研究近年来在推荐领域中发展迅速,已有的序列推荐方法善于捕捉用户的时序行为来实现偏好预测。其中,一些先进的方法融入用户的情感信息来引导行为挖掘。然而,先进的基于情感的序列推荐模型未考虑对多类别的用户情感序列进行关联挖掘;并且,这类方法无法直观地解释时序情感对用户偏好的贡献。为了弥补上述方法的局限,本工作首次尝试以记忆体的形式存储时序情感并对其施加约束。具体地,文中提出了情感自我约束和情感相互约束两种机制,来挖掘多类别情感之间的关联并辅助用户行为完成序列推荐。进一步地,提出的记忆框架能记录用户的时序情感注意力,从而在准确预测用户时序偏好的基础上提供一定程度的直观解释。实验结果表明,所提方法的性能优于先进的序列推荐方法,并且比基于情感的序列推荐模型具有更好的可解释效果。

融合物品转换关系和时序信息的会话推荐算法

针对现有图神经网络会话推荐算法忽略了各类辅助信息,导致不能准确地建模会话序列的问题,提出了一种融合物品的转换关系和时序信息的会话推荐算法(RTSR)。首先利用图网络结构得到任意两个节点之间的最短路径序列,经过双向门控循环单元(GRU)将其编码为对应物品之间的转换关系,再结合自注意力机制从图的角度捕捉会话的全局依赖信息。同时设计了一种无损图编码方案来缓解会话图编码过程中信息损失的问题。该方案将会话序列中的时序信息进行合理的量化,并将其作为会话图中边的权重,再结合门控图神经网络获取会话的局部依赖信息。最后,线性组合全局依赖信息和局部依赖信息并结合反向位置信息,最终生成用户对物品的兴趣偏好,并给出推荐列表。在公共基准数据集Gowalla和Diginetica上与SR-GNN、GC-SAN、GCE-GNN等主流模型进行性能对比实验,结果表明RTSR在平均倒数排名方面分别至少提高了6.13%和1.58%,同时推荐精准度方面也有相应的提高。

融合序列分解与Prophet模型的时序预测

传统时序预测方法其预测过程无法在相同数据集上推出共享模式,而机器学习方法无法较好地处理非线性和大规模数据集,并且需要手动设计特征工程.深度学习方法弥补了传统预测方法需要高计算高人力的弊端,用自动学习特征工程代替了手动设计特征工程.但仅使用深度学习的预测方法所作结构假设较少,通常需要较高的计算资源以及大量的数据来学习得到准确的模型.针对上述问题,本文提出通过采用融合t检验的EMD经验模态将序列分为高频分量和低频分量,对高频分量使用传统STL序列分解方法进一步对数据做处理,对高频、低频分量分别进行Prophet预测.实验结果表明,相较于传统的LSTM以及Prophet预测模型,经过STL序列分解后的周期数据能够提升模型的整体预测精确度而融合EMD经验模态的Prophet模型则大大提升了训练效率.

基于大气海洋多变量与海冰时序特征的北极海冰范围预测研究

随着全球气候变暖加剧,北极地区的大气海洋环境剧烈变化,导致海冰变化更加不稳定,使得海冰预测的难度增大。本研究选择海表温度、2 m平均气温、二氧化碳浓度为大气海洋变量,海冰范围距平为时序特征参数,将上述参量作为北极海冰范围(Sea Ice Extent,SIE)的预测要素,建立了面向SIE的多变量长短期记忆(Long Short Term Memory,LSTM)神经网络模型,对比分析了2015-2021年不同时间序列预测模型的预测结果。结果显示:本研究所构建模型的RMSE、MAE、MAPE分别为0.353×106 km2、0.261×106 km2和3.191%。相比于其他预测模型,结合大气海洋变量和时序特征参数后的LSTM模型预测结果误差更小,拟合效果更好,可以消除夏季海冰剧烈变化对预测效果的影响,提高海冰范围的预测精度,对北极航道的通航安全保障工作具有重要的研究与应用价值。

基于弧度特征的火箭时序数据相似性评估

评估火箭时序数据的相似性是火箭时序数据分析的主要任务之一。动态时间规整算法是最具代表性的相似性度量算法,但由于其容易发生病态对齐现象,时刻点常被算法错误匹配,导致度量精度难以满足要求。为解决该问题,提出一种基于弧度特征的时序数据相似性评估算法。该算法充分考虑了原始时序特征和弧度特征,并采用时刻邻域信息进行计算,极大地提升了算法对序列局部形状的捕捉能力。将算法用于时间序列分类任务,在9个具有火箭数据类似特征的数据集上与4种相似度度量进行了对比,获得了26.04%以上的分类精度提升,证明了算法的有效性。

基于时间序列的大型核电厂设备异动态势感知系统设计

为了准确感知核电厂设备设备异动态势,防止负荷电压、负荷电流数值异常增大,设计基于时间序列的大型核电厂设备异动态势感知系统;在系统硬件设计上,完善设备数据自动处理模块、设备异动信号采集器、态势感知装置之间的实时连接关系;系统软件设计上,构建时间序列模型,实现对核电厂设备异动数据的处理;选取核心异动态势指标,按照标量化处理流程,通过阈值方法实现对核电设备异动态势的感知,完成大型核电厂设备异动态势感知;实验结果表明,上述系统通过准确感知核电厂设备异动态势,将设备负荷电压、负荷电流数值控制在阈值之内,能够维护核电厂设备的稳定运行。

基于概率性时序生产模拟的光储网协调规划

针对传统规划方法难以实现不确定性资源与负荷特性的时序匹配问题,提出基于概率性时序生产模拟的光储网协调规划方法。首先,考虑负荷与分布式光伏出力的不确定性建立概率性时序序列模型,利用生产模拟求取配电系统年运行概率状态;其次,综合考虑光储网的投资与运行损耗、停电损失、弃光损失及向上级电网的购电成本,建立基于随机优化的协调规划模型,通过投资决策与运行模拟迭代寻优获得最优规划方案;最后,以某个20节点的实际算例验证了所提方法的有效性。

基于Informer的CFB机组长序列NO_(x)排放预测研究与教学实践

为了研究循环流化床机组NO_(x)排放预测问题,采用Informer神经网络模型对某350 MW超临界循环流化床机组NO_(x)排放进行建模研究。首先,获取机组运行数据,对有关数据进行标准化处理;其次,确定实验方案,进行了6种不同NO_(x)排放长序列时序预测的仿真实验,并进行分析;最后,利用Transformer模型、RNN模型与LSTM模型按照相同实验方案进行NO_(x)排放预测,并与Informer模型的预测结果进行对比。研究结果表明,Informer模型通过注意力机制、蒸馏机制获得了较好的特征提取能力和长序列输入能力,该模型的NO_(x)排放预测效果在预测精度与时效性两个方面均明显优于其他三种对比模型,能够为循环流化床机组NO_(x)排放预测提供有效技术支持。该能源动力类学生的创新与实践教育项目,有助于锻炼学生的科研思维,能够为能源动力类专业实践教学发展提供一定借鉴。

基于电压序列相似性的户变关系与相别识别

随着低压配电网的改造升级,台区户变关系变化频繁,为解决时有发生的用户台区挂错现象,提出一种利用改进的基于密度的点排序识别聚类结构(ordering points to identify the clustering structure,OPTICS)的台区户变关系识别和相别识别方法。首先,对配网电压序列的相关性进行定性分析,提出利用电压时序序列作为分析识别的数据基础;其次,采用改进的自适应分段聚合近似(adaptive piecewise aggregate approximation,APAA)对电压序列进行降维处理,提取能够反映电压特征的低维向量;然后利用改进的OPTICS算法对所提取的特征向量进行聚类分析,识别台区的户变关系和相别关系;最后,基于实际的台区数据进行算例分析,验证了所提方法的准确性。

基于时序向量相似性的空间目标群匹配技术研究

分析了空间低轨目标群的运行特点,提出了基于时序向量相似性的空间目标群匹配算法,提高了对低轨巨型星座的识别管理能力。首先,介绍了时序向量的降维方法,将目标群高维观测时序向量简化为空间构型序列;而后,提出了基于动态时间规整(Dynamic Time Warping,DTW)的目标群空间构型序列相似性判别算法;最后,利用星链卫星目标群仿真和实测数据对算法的匹配能力进行验证。结果表明该算法可实现空间目标群监测数据快速匹配,仿真数据匹配过程中,在群内目标缺失30%的条件下匹配成功率可达100%,在低缺失条件下(缺失率5%以内)群内目标识别成功率平均超过75%;实测数据匹配成功率可达100%。

燃煤发电厂时序数据预测方法的理论研究

随着智能电网的快速发展,燃煤发电厂行业每天可以产生数以亿计的电力时序数据。电力时序数据的分析与预测对电力系统的安全稳定运行以及资源合理分配等方面具有重要的现实意义。近年来,越来越多的学者开始研究电力时序数据预测。现有的大部分方法通过研究多条电力时序数据之间的静态关系或历史序列特性来预测未来趋势。本文分析了电力时序数据预测方法的研究现状和相关技术,这些方法已经在电力负荷预测、可再生能源预测、故障预测等方面取得了很好的应用效果。

海量实时序列数据指数平滑预测分割算法

时间序列分割是时间序列挖掘的重要任务之一。实时数据快速变化,数据量巨大,所以如何对实时数据进行快速而准确的分割很具有挑战性。提出基于指数平滑预测的滑动时间窗分割算法可以快速有效地分割在线实时数据,该算法基于滑动窗口和平滑指数算法,分析实时数据的统计特性,推导出序列的预测误差和压缩率之间的关系,通过序列预测的误差来判断分割点,加入校验环节提高算法的健壮性。通过本课题所使用的数据集以及公共数据集验证算法结果说明,该算法能够有效地在线检测出实时数据的分割点,并且时间复杂度较低。

时序数据库中相似序列的挖掘

1 引言时间序列是指按时间顺序取得的一系列观测值,这里的“时间”具有广义坐标轴的含义,既可以指按时间的先后顺序排列的数据,也可以指按空间的前后顺序排列的随机数据。从经济到工程技术,从天文到地理和气象,几乎在各种领域都会遇到时间序列。例如某地区的逐月降雨量,其实际记录结果,按月份先后排列,便是一个时间序列。在科技飞速发展的今天,越来越多的时间序列信息被存储在计算机上,例如证券公司的计算机积累了大量的股票信息,商场的POS系统搜集了大量的销售信息,人造卫星观测的气象信息和科学仪器所检测到的大量生物、地矿等信息也都被存储在计算机上。