Long-term Prediction and Verification of Rainfall Based on the Seasonal Model

Using the seasonal cross-multiplication trend model, monthly precipitation of eight national basic weather stations of Shaanxi Province from 2005 to 2010 was predicted, and the forecast results were verified using the rainfall scoring rules of China Meteorological Administration. The verification results show that the average score of annual precipitation prediction in recent six years is higher than that made by a professional forecaster, so this model has a good prospect of application. Moreover, the level of making prediction is steady, and it can be widely used in long-term prediction of rainfall.

Long-Term Outcomes after Coronary Artery Bypass Grafting with Risk Stratification

Background: Risk stratification of long-term outcomes for patients undergoing Coronary artery bypass grafting has enormous potential clinical importance. Aim: To develop risk stratification models for predicting long-term outcomes following coronary artery bypass graft (CABG) surgery. Methods: We retrospectively revised the electronic medical records of 2330 patients who underwent adult Cardiac surgery between August 2016 and December 2022 at Madinah Cardiac Center, Saudi Arabia. Three hundred patients fulfilled the eligibility criteria of CABG operations with a complete follow-up period of at least 24 months, and data reporting. The collected data included patient demographics, comorbidities, laboratory data, pharmacotherapy, echocardiographic parameters, procedural details, postoperative data, in-hospital outcomes, and follow-up data. Our follow-up was depending on the clinical status (NYHA class), chest pain recurrence, medication dependence and echo follow-up. A univariate analysis was performed between each patient risk factor and the long-term outcome to determine the preoperative, operative, and postoperative factors significantly associated with each long-term outcome. Then a multivariable logistic regression analysis was performed with a stepwise, forward selection procedure. Significant (p < 0.05) risk factors were identified and were used as candidate variables in the development of a multivariable risk prediction model. Results: The incidence of all-cause mortality during hospital admission or follow-up period was 2.3%. Other long-term outcomes included all-cause recurrent hospitalization (9.8%), recurrent chest pain (2.4%), and the need for revascularization by using a stent in 5 (3.0%) patients. Thirteen (4.4%) patients suffered heart failure and they were on the maximum anti-failure medications. The model for predicting all-cause mortality included the preoperative EF ≤ 35% (AOR: 30.757, p = 0.061), the bypass time (AOR: 1.029, p = 0.003), and the duration of ventilation following the operation (AOR: 1.237, p = 0.021). The model for risk stratification of recurrent hospitalization comprised the preoperative EF ≤ 35% (AOR: 6.198, p p = 0.023), low postoperative cardiac output (AOR: 3.622, p = 0.007), and the development of postoperative atrial fibrillation (AOR: 2.787, p = 0.038). Low postoperative cardiac output was the only predictor that significantly contributed to recurrent chest pain (AOR: 11.66, p = 0.004). Finally, the model consisted of low postoperative cardiac output (AOR: 5.976, p < 0.001) and postoperative ventricular fibrillation (AOR: 4.216, p = 0.019) was significantly associated with an increased likelihood of the future need for revascularization using a stent. Conclusions: A risk prediction model was developed in a Saudi cohort for predicting all-cause mortality risk during both hospital admission and the follow-up period of at least 24 months after isolated CABG surgery. A set of models were also developed for predicting long-term risks of all-cause recurrent hospitalization, recurrent chest pain, heart failure, and the need for revascularization by using stents.

Stock Prediction Based on Technical Indicators Using Deep Learning Model

Stock market trends forecast is one of the most current topics and a significant research challenge due to its dynamic and unstable nature.The stock data is usually non-stationary,and attributes are non-correlative to each other.Several traditional Stock Technical Indicators(STIs)may incorrectly predict the stockmarket trends.To study the stock market characteristics using STIs and make efficient trading decisions,a robust model is built.This paper aims to build up an Evolutionary Deep Learning Model(EDLM)to identify stock trends’prices by using STIs.The proposed model has implemented the Deep Learning(DL)model to establish the concept of Correlation-Tensor.The analysis of the dataset of three most popular banking organizations obtained from the live stock market based on the National Stock exchange(NSE)-India,a Long Short Term Memory(LSTM)is used.The datasets encompassed the trading days from the 17^(th) of Nov 2008 to the 15^(th) of Nov 2018.This work also conducted exhaustive experiments to study the correlation of various STIs with stock price trends.The model built with an EDLM has shown significant improvements over two benchmark ML models and a deep learning one.The proposed model aids investors in making profitable investment decisions as it presents trend-based forecasting and has achieved a prediction accuracy of 63.59%,56.25%,and 57.95%on the datasets of HDFC,Yes Bank,and SBI,respectively.Results indicate that the proposed EDLA with a combination of STIs can often provide improved results than the other state-of-the-art algorithms.

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。

基于多因子多模式集成的中长期径流预测模型

提高中长期径流预测精度对于水资源调度等具有重要意义和应用价值。基于国家气候中心的130项气候因子,采用皮尔逊相关系数、最大信息系数、方差增量指标筛选主要预测因子,建立基于DS(Dempster-Shafer)证据理论的多因子综合方法;采用随机森林、BP神经网络和贝叶斯网络等建立基于水文-气象因子遥相关的中长期径流预测模型,构建基于DS证据理论的预测结果集成模型。以三峡水库为对象开展实例研究,结果表明:引入遥相关因子能有效提高预测精度;基于DS证据理论的多因子综合方法能筛选出综合性更强、稳定性更优的因子,弥补单一筛选方法的不足;基于DS证据理论的多因子多模式集成方法在径流预测精度上优于单一方法单一模型,确定性系数提高到0.823,平均相对误差降低到23.2%。

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

基于KCR-Informer的长期风电功率预测研究

准确的长期风电功率预测对电网系统稳定运行至关重要,传统预测方法在处理长序列预测时效果并不理想,近期研究表明Informer模型在长序列预测领域取得良好效果。然而,该模型在捕捉数据的局部特征以及处理网络层数堆叠问题上还有待改进。文章提出一种基于卡尔曼滤波器-卷积神经网络-残差网络-Informer(Kalman filter-convolutional neural network-residual network-informer,KCR-Informer)模型的长期风电功率预测方法,首先分析气象数据对风电功率的影响,使用卡尔曼滤波器对风电气象数据进行数据平滑处理,以减轻噪声对数据的影响,然后基于Informer模型建立风电功率预测模型,根据气象数据以及历史功率数据进行长期功率预测;在此基础上,引入卷积神经网络和残差连接模块,使模型能够更好的捕捉到局部特征,同时加快模型收敛,解决模型网络退化问题。算例的结果表明,与长短期记忆网络(long short-term memory,LSTM)算法、Transformer算法、Informer算法相比,文章方法在不同预测步长下的平均绝对误差(mean absolute error,MAE)降低5.7%~30%,均方误差(mean square error,MSE)降低8.3%~35%,长期风功率预测的精度得到提升,验证了模型的有效性。

基于多模型比选耦合的降水预测

变化环境下水文时间序列的模拟预测难度不断加大,以往研究大多聚焦在模型的不同组合尝试与应用探索,但缺乏针对不同组合模型适用性与稳定性的系统研究。选择经验模态分解(empirical mode decomposition,EMD)、总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)、改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)和变分模态分解(variational mode decomposition,VMD)4种常用的分解算法,与多元线性回归(multivariable linear regression,MLR)、随机森林(random forest,RF)、BP神经网络(back propagation,BP)、卷积神经网络(convolutional neural networks,CNN)和长短期记忆神经网络(long short-term memory,LSTM)5种具有代表性的模型结合,构建20种基于“分解-预测-重构”模式的组合模型,并以华北地区密云、官厅两流域年和汛期降水为例,进行模型适用性与稳定性综合对比分析。结果表明:单一模型对密云流域年降水和汛期降水的预测结果优于官厅流域,但整体预测结果均不理想;结合分解算法后的组合模型预测结果明显优于单一模型,且该预测结果存在正负误差抵消现象,因此有助于进一步提高组合模型的整体预测精度;与基于EMD系列的分解算法相比,VMD算法对模型预测精度提升效果最显著,组合模型适用性和稳定性整体上表现为VMD-MLR>VMD-LSTM>VMD-BP>VMD-CNN。

基于机器学习的黑龙江省强降水致灾预估方法研究

采用黑龙江省1984—2019年各县强降水灾情资料和逐日降水资料,以逻辑回归和长短时记忆网络模型为基础,建立了黑龙江全省、大兴安岭、小兴安岭、松嫩平原、三江平原和东南半山区的强降水致灾与否二分类预估模型。通过机器学习,得到黑龙江省以及5个地区判断强降水致灾与否的最佳观测天数在4~6 d、最佳的日降水量阈值为16~20 mm。比较全连接逻辑回归模型、优先考虑日期的部分连接逻辑回归模型D、优先考虑站点的部分连接逻辑回归模型S和长短时记忆网络LSTM模型等四个模型的表现,前三种逻辑回归模型表现差距不大,相对表现最好的全连接模型,其在大部地区所表现的准确率、精确率、召回率和F1分数均在0.7以上,而LSTM模型只在大兴安岭表现更好一些。

基于MIMIC-IV构建及评估脓毒症患者近期和远期死亡风险预测模型

目的:鉴于脓毒症的高发病率和高病死率,早期识别高风险患者并及时干预至关重要,而现有死亡风险预测模型在操作、适用性和预测长期预后等方面均存在不足。本研究旨在探讨脓毒症患者死亡的危险因素,构建近期和远期死亡风险预测模型。方法:从美国重症监护医学信息数据库IV(Medical Information Mart for Intensive Care-IV,MIMIC-IV)中选取符合脓毒症3.0诊断标准的人群,按7?3的比例随机分为建模组和验证组,分析患者的基线资料。采用单因素Cox回归分析和全子集回归确定脓毒症患者死亡的危险因素并筛选出构建预测模型的变量。分别用时间依赖性曲线下面积(area under the curve,AUC)、校准曲线和决策曲线评估模型的区分度、校准度和临床实用性。结果:共纳入14240例脓毒症患者,28 d和1年病死率分别为21.45%(3054例)和36.50%(5198例)。高龄、女性、高感染相关器官衰竭评分(sepsis-related organ failure assessment,SOFA)、高简明急性生理学评分(simplified acute physiology score II,SAPS II)、心率快、呼吸频率快、脓毒症休克、充血性心力衰竭、慢性阻塞性肺疾病、肝脏疾病、肾脏疾病、糖尿病、恶性肿瘤、高白细胞计数(white blood cell count,WBC)、长凝血酶原时间(prothrombin time,PT)、高血肌酐(serum creatinine,SCr)水平均为脓毒症死亡的危险因素(均P<0.05)。由PT、呼吸频率、体温、合并恶性肿瘤、合并肝脏疾病、脓毒症休克、SAPS II及年龄8个变量构建的模型,其28 d和1年生存的AUC分别为0.717(95%CI 0.710~0.724)和0.716(95%CI 0.707~0.725)。校准曲线和决策曲线表明该模型具有良好的校准度及较好的临床应用价值。结论:基于MIMIC-IV建立的脓毒症患者近期和远期死亡风险预测模型有较好的识别能力,对患者预后风险评估及干预治疗具有一定的临床参考意义。

Seismic characteristics near the epicenter of the 1303 Hongtong M=8 earthquake, Shanxi Province and its implication

In this paper, we calculated the seismic pattern of instrumental recorded small and moderate earthquakes near the epicenter of the 1303 Hongtong M=8 earthquake, Shanxi Province. According to the spatial distribution of small and moderate earthquakes, 6 seismic dense zones are delineated. Temporal distribution of ML2 earthquakes since 1970 in each seismic dense zone has been analyzed. Based on temporal distribution characteristics and historical earthquake activity, three types of seismicities are proposed. The relationship between seismic types and crustal medium is analyzed. The mechanism of three types is discussed. Finity of strong earthquake recurrence is pro-posed. Seismic hazard in mid-long term and diversity of earthquake disaster in Shanxi seismic belt are discussed.

42CrMo钢精密切削的刀具磨损量预测研究

针对42CrMo钢精密切削刀具磨损量预测研究小样本、非线性的特点,将量子粒子群算法(QPSO)、卷积神经网络(CNN)及长短期神经网络(LSTM)相结合,构建了QPSO-CNN-LSTM组合预测模型。采用QPSO算法对CNN-LSTM模型的隐藏层单元数、学习率、卷积核等进行优化,结合CNN网络特征提取能力强、LSTM网络具备记忆能力的特点,对实际加工实验的刀具磨损量进行预测,并通过误差评价指标分析,与CNN、LSTM、BP等单一模型以及PSO-GRNN组合模型进行预测效果对比研究。研究结果表明,本文构建的组合预测模型相对于单一预测模型,其预测值与真实值吻合程度更高;相对于PSO-GRNN组合模型,三种误差评价指标的误差值至少降低了27%,其泛化性和稳定性较好,预测精度与非线性拟合能力更强。

基于LSTM模型的短期光伏功率预测

对比3类LSTM功率预测方法的误差以评价业务气象预报在光伏功率预测中的作用,及训练集、测试集的不同划分对预测精度的影响。这3类功率预测方法分别是:只使用光伏功率、使用光伏功率及气象观测、使用光伏功率及气象预报。气象预报因子使用了与光伏功率相关性最高的总辐照度。分析时间段为2020年1月1日—6月30日,气象预报来自于ECMWF和NOAA/NCEP。结果表明,对于长度有限的资料,训练集、测试集的不同划分对预测模型精度会产生一定的影响。如果可使用总辐照度的观测,则短期功率预测的相对误差可降低约2.3%。与只使用光伏功率相比,既使用光伏功率又使用气象预报,短期功率预测相对误差降低约2.1%。与NOAA/NCEP气象预报相比,ECMWF气象预报明显降低了功率预测的误差。相比于只使用光伏功率,增加气象预报可提高预测精度。

基于需求功率预测的电动拖拉机能量管理策略

针对电动拖拉机在犁耕工况下电机需求电流波动比较大的特点,为了改善动力电池的输出电流过高或过低及电动拖拉机犁耕持续作业时间短的现象,利用超级电容高功率密度的特点,设计了一种锂电池+超级电容结构的双电源电动拖拉机,并建立了Amesim/Simulink联合仿真模型。以模型预测控制作为双电源系统的能量管理方法,基于长短期记忆神经网络建立电动拖拉机犁耕工况下的需求功率预测模型,使用动态规划算法求解最佳的锂电池输出电流。仿真结果表明:相比于模糊控制策略,基于模型预测控制策略有效降低了锂电池大电流放电的频率且峰值电流降低了40%,有效提高了锂电池的使用寿命;超级电容的SOC保持在比较高的范围内,且电动拖拉机在犁耕工况下的单位里程能量消耗降低了2.17%,实现了双电源电流分配最优,提高了电动拖拉机的动力性和经济性。

基于气候特征分析及改进XGBoost算法的中长期光伏电站发电量预测方法

光伏发电在能源结构中的重要性不断凸显,而提高光伏发电量预测的准确性成为当前研究的关键问题。针对中长期光伏发电量预测问题,提出一个综合利用气候预测数据的中长期光伏发电量预测方法。首先,在基于气候预测数据的发电量预测框架中,根据气候预测数据特点和预测周期划分多重子模型以充分利用气候预测数据信息。其次,在进行数据预处理后,通过对气候特征衍生与交叉、特征筛选和选择,充分挖掘气候特征的高价值信息。然后,采取一种两重多阶段超参数寻优策略,对极端梯度增强(extreme gradient boosting, XGBoost)超参数进行调整以优化预测模型。最后,在真实光伏发电量数据上,以MAPE为标准评估预测水平,验证所提中长期光伏发电量预测方法的有效性。相关实验结果表明该方法可以有效提高光伏发电量预测精度。

基于优化LSTM模型的风力机叶片剩余使用寿命预测

针对传统寿命预测方法计算复杂、耗时且不具普适性等问题,提出一种基于优化长短期记忆网络(LSTM)的风力机叶片剩余使用寿命(RUL)预测模型。首先,将多维传感器监测数据可视化,以观察数据特征并进行初次特征筛选。然后,对筛选后的数据进行归一化处理,并使用主成分分析法(PCA)进行数据融合,以去除冗余信息和降低特征维度。其次,使用自适应矩估计(AME)算法为不同网络参数提供独立的自适应性学习率;使用平滑平均绝对误差(SMAE)损失函数来综合两种传统回归损失函数的特点。最后,经过多次试验选定合适的LSTM层数及神经元数,并以复杂系统的多尺度时序监测数据为算例对模型进行试验验证。试验结果表明,在一种故障模式下,优化LSTM预测模型相较于其他传统机器学习模型在评价指标及预测误差分布情况上占优,表明该文所提模型具有更高的准确性及稳定性。

地铁车站深基坑开挖变形智能多步预测方法

为更好预测深基坑开挖期间地下连续墙的侧向位移变形,基于长短期记忆神经网络(LSTM)智能算法理论构建了LSTM多步预测模型.首先对多步预测模型的多输出策略进行论述,其次详细介绍了LSTM多步预测模型的构建方法,并对模型输入集空间维度和时间维度两项超参数进行探究,以提高模型的预测准确度.最后依托某富水砂土深基坑工程实例,分析了模型预测值与实际监测值的差异.3个典型监测点的数据分析结果表明LSTM多步预测模型具有较强的泛化能力,相关算法对深基坑开挖变形预测方法的改进优化具有参考价值.

精神分裂症患者长期住院的影响因素

目的:分析精神分裂症患者长期住院的影响因素。方法:纳入我院318例精神分裂症患者,根据住院时间将其分为长期住院组(平均≥10个月/年)和对照组(平均<10个月/年)。采用单因素和多因素Logistic回归分析患者长期住院的独立影响因素,绘制列线图预测模型并进行内部验证。结果:318例精神分裂症患者中长期住院126例(39.62%)。多因素Logistic回归分析显示年龄、病程、公职人员、已婚、大专及以上学历、照料者是父母/配偶/子女、省/市医保付费以及有精神残疾证是精神分裂患者长期住院的独立影响因素(P均<0.05)。绘制列线图预测模型并进行内部验证得一致性指数(C-index)=0.803,区分度较好。结论:年龄、病程、职业、婚姻状态、文化程度、照料者和付费方式是精神分裂患者长期住院的独立影响因素,基于上述影响因素构建列线图预测模型可有效预测精神分裂患者的长期住院概率。

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。