针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(sin...针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(singular spectrum analysis,SSA)双重分解的双向长短时记忆网络(bidirectional long and short time memory,BiLSTM)预测模型。首先,采用CEEMDAN对历史负荷进行分解,以得到若干个周期规律更为清晰的子序列;再利用多尺度熵(multiscale entropy,MSE)计算所有子序列的复杂程度,根据不同时间尺度上的样本熵值将相似的子序列重构聚合;然后,利用SSA去噪的功能,对高度复杂的新序列进行二次分解,去除序列中的噪声并提取更为主要的规律,从而进一步提高中长序列预测精度;再将得到的最终一组子序列输入BiLSTM进行预测;最后,考虑到天气、节假日等外部因素对电力负荷的影响,提出了一种误差修正技术。选取了巴拿马某地区的用电负荷进行实验,实验结果表明,经过双重分解可以将均方根误差降低87.4%;预测未来一年的负荷序列时,采用的BiLSTM模型将拟合系数最高提高2.5%;所提出的误差修正技术可将均方根误差降低9.7%。展开更多
为了解决序列推荐中的用户偏好漂移问题,以及更精确地捕捉用户动态偏好,提出了一种新型的序列推荐模型SILSSRec(side information and long-short term preferences based sequence recommendation)。该模型首先利用项目的类别和频次作...为了解决序列推荐中的用户偏好漂移问题,以及更精确地捕捉用户动态偏好,提出了一种新型的序列推荐模型SILSSRec(side information and long-short term preferences based sequence recommendation)。该模型首先利用项目的类别和频次作为辅助信息,基于用户的历史交互序列,生成个性化用户嵌入表示。然后,通过历史交互和当前交互之间的时间间隔生成个性化时间间隔嵌入,并将此嵌入与项目特征嵌入融合,形成个性化时间嵌入表示。模型采用注意力机制和门控循环网络,从嵌入表示中提取用户的长期和短期偏好。此外,通过对比学习强化偏好的特征表达,并使用自适应聚合网络动态融合这两种偏好,形成用户的最终偏好表示。在8个公开数据集上的实验结果表明,SILSSRec在评估指标上优于现有的基线模型,其中AUC(area under curve)平均提高了3.82%、召回率平均提高了7.2%、精确率平均提高了0.3%。实验证明SILSSRec在不同场景下均有较好表现,有效缓解了偏好漂移问题,提升了推荐效果。展开更多
针对现有的研究大多将短序列时间序列预测和长序列时间序列预测分开研究而导致模型在较短的长序列时序预测时精度较低的问题,提出一种较短的长序列时间序列预测模型(SLTSFM)。首先,利用卷积神经网络(CNN)和PBUSM(Probsparse Based on Un...针对现有的研究大多将短序列时间序列预测和长序列时间序列预测分开研究而导致模型在较短的长序列时序预测时精度较低的问题,提出一种较短的长序列时间序列预测模型(SLTSFM)。首先,利用卷积神经网络(CNN)和PBUSM(Probsparse Based on Uniform Selection Mechanism)自注意力机制搭建一个序列到序列(Seq2Seq)结构,用于提取长序列输入的特征;其次,设计“远轻近重”策略将多个短序列输入特征提取能力较强的长短时记忆(LSTM)模块提取的各时段数据特征进行重分配;最后,用重分配的特征增强提取的长序列输入特征,提高预测精度并实现时序预测。利用4个公开的时间序列数据集验证模型的有效性。实验结果表明,与综合表现次优的对比模型循环门单元(GRU)相比,SLTSFM的平均绝对误差(MAE)指标在4个数据集上的单变量时序预测分别减小了61.54%、13.48%、0.92%和19.58%,多变量时序预测分别减小了17.01%、18.13%、3.24%和6.73%。由此可见SLTSFM在提升较短的长序列时序预测精度方面的有效性。展开更多
On-demand food delivery(OFD)is gaining more and more popularity in modern society.As a kernel order assignment manner in OFD scenario,order recommendation directly influences the delivery efficiency of the platform an...On-demand food delivery(OFD)is gaining more and more popularity in modern society.As a kernel order assignment manner in OFD scenario,order recommendation directly influences the delivery efficiency of the platform and the delivery experience of riders.This paper addresses the dynamism of the order recommendation problem and proposes a reinforcement learning solution method.An actor-critic network based on long short term memory(LSTM)unit is designed to deal with the order-grabbing conflict between different riders.Besides,three rider sequencing rules are accordingly proposed to match different time steps of the LSTM unit with different riders.To test the performance of the proposed method,extensive experiments are conducted based on real data from Meituan delivery platform.The results demonstrate that the proposed reinforcement learning based order recommendation method can significantly increase the number of grabbed orders and reduce the number of order-grabbing conflicts,resulting in better delivery efficiency and experience for the platform and riders.展开更多
文摘针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(singular spectrum analysis,SSA)双重分解的双向长短时记忆网络(bidirectional long and short time memory,BiLSTM)预测模型。首先,采用CEEMDAN对历史负荷进行分解,以得到若干个周期规律更为清晰的子序列;再利用多尺度熵(multiscale entropy,MSE)计算所有子序列的复杂程度,根据不同时间尺度上的样本熵值将相似的子序列重构聚合;然后,利用SSA去噪的功能,对高度复杂的新序列进行二次分解,去除序列中的噪声并提取更为主要的规律,从而进一步提高中长序列预测精度;再将得到的最终一组子序列输入BiLSTM进行预测;最后,考虑到天气、节假日等外部因素对电力负荷的影响,提出了一种误差修正技术。选取了巴拿马某地区的用电负荷进行实验,实验结果表明,经过双重分解可以将均方根误差降低87.4%;预测未来一年的负荷序列时,采用的BiLSTM模型将拟合系数最高提高2.5%;所提出的误差修正技术可将均方根误差降低9.7%。
文摘为了解决序列推荐中的用户偏好漂移问题,以及更精确地捕捉用户动态偏好,提出了一种新型的序列推荐模型SILSSRec(side information and long-short term preferences based sequence recommendation)。该模型首先利用项目的类别和频次作为辅助信息,基于用户的历史交互序列,生成个性化用户嵌入表示。然后,通过历史交互和当前交互之间的时间间隔生成个性化时间间隔嵌入,并将此嵌入与项目特征嵌入融合,形成个性化时间嵌入表示。模型采用注意力机制和门控循环网络,从嵌入表示中提取用户的长期和短期偏好。此外,通过对比学习强化偏好的特征表达,并使用自适应聚合网络动态融合这两种偏好,形成用户的最终偏好表示。在8个公开数据集上的实验结果表明,SILSSRec在评估指标上优于现有的基线模型,其中AUC(area under curve)平均提高了3.82%、召回率平均提高了7.2%、精确率平均提高了0.3%。实验证明SILSSRec在不同场景下均有较好表现,有效缓解了偏好漂移问题,提升了推荐效果。
文摘针对现有的研究大多将短序列时间序列预测和长序列时间序列预测分开研究而导致模型在较短的长序列时序预测时精度较低的问题,提出一种较短的长序列时间序列预测模型(SLTSFM)。首先,利用卷积神经网络(CNN)和PBUSM(Probsparse Based on Uniform Selection Mechanism)自注意力机制搭建一个序列到序列(Seq2Seq)结构,用于提取长序列输入的特征;其次,设计“远轻近重”策略将多个短序列输入特征提取能力较强的长短时记忆(LSTM)模块提取的各时段数据特征进行重分配;最后,用重分配的特征增强提取的长序列输入特征,提高预测精度并实现时序预测。利用4个公开的时间序列数据集验证模型的有效性。实验结果表明,与综合表现次优的对比模型循环门单元(GRU)相比,SLTSFM的平均绝对误差(MAE)指标在4个数据集上的单变量时序预测分别减小了61.54%、13.48%、0.92%和19.58%,多变量时序预测分别减小了17.01%、18.13%、3.24%和6.73%。由此可见SLTSFM在提升较短的长序列时序预测精度方面的有效性。
文摘针对现有序列推荐模型忽略用户的长期偏好和短期偏好,导致推荐模型不能充分发挥作用,推荐效果不佳的问题,提出一种基于用户长短期偏好的个性化推荐模型.首先,针对长期偏好序列长且不连续的特点,采用BERT(bidirectional encoder representations from transformers)对长期偏好建模;针对短期偏好序列短且与用户交互的间隔时间较短,具有易变性,采用垂直水平卷积网络对短期偏好建模;在得到用户的长期偏好和短期偏好后,利用激活函数进行动态建模,然后利用门控循环网络对长短期偏好进行平衡.其次,针对用户在日常交互中的误碰行为,采用稀疏注意力网络进行建模,在对长短期偏好建模前使用稀疏注意力网络进行用户行为序列处理;用户特征偏好对推荐结果也会有影响,使用带有偏置编码的多头注意力机制对用户特征进行提取.最后,将各部分得到的结果输入到全连接层得到最后的输出结果.为验证本文模型的可行性,在数据集Yelp和MovieLens-1M上进行实验,实验结果表明该模型优于其他基线模型.
基金supported in part by the National Natural Science Foundation of China(No.62273193)Tsinghua University-Meituan Joint Institute for Digital Life,and the Research and Development Project of CRSC Research&Design Institute Group Co.,Ltd.
文摘On-demand food delivery(OFD)is gaining more and more popularity in modern society.As a kernel order assignment manner in OFD scenario,order recommendation directly influences the delivery efficiency of the platform and the delivery experience of riders.This paper addresses the dynamism of the order recommendation problem and proposes a reinforcement learning solution method.An actor-critic network based on long short term memory(LSTM)unit is designed to deal with the order-grabbing conflict between different riders.Besides,three rider sequencing rules are accordingly proposed to match different time steps of the LSTM unit with different riders.To test the performance of the proposed method,extensive experiments are conducted based on real data from Meituan delivery platform.The results demonstrate that the proposed reinforcement learning based order recommendation method can significantly increase the number of grabbed orders and reduce the number of order-grabbing conflicts,resulting in better delivery efficiency and experience for the platform and riders.
