基于CNN和GRU的农产品价格预测模型研究

鉴于现有预测模型无法在大数据环境下对农产品价格进行准确和快速预测,提出了一种结合卷积神经网络(CNN)和门控循环单元(GRU)的农产品价格预测模型。使用CNN获取局部特征,使用GRU获取数据的时序依赖,然后将二者获得的特征连接在一起,由解码器获得预测输出。通过试验与传统的单一模型进行比较,验证模型的优越性。结果表明,与传统预测模型相比,本研究构建的模型能有效地进行短期预测,对农产品价格预测具有一定的实际价值。

基于注意力机制的CNN-GRU煤层气产能预测方法研究

为优化当前煤层气产气量预测方法,探讨煤层气产能排采数据历史状态影响及时序过长导致丢失关键信息的问题,提出了一种基于Attention机制的卷积门控循环单元网络的煤层气产能预测模型;选取5个与日产气相关性较高的排采参数,利用韩城区块煤层气井现场排采数据构建并训练煤层气产能预测模型,预测未来该井区160 d的产气量情况。研究结果表明:引入注意力机制的组合模型CNN-GRUA,通过提取数据高层特征、并降低历史序列关键信息丢失的影响,克服了传统预测方法无法处理数据间非线性、时序性以及信息丢失的问题;相比BP神经网络、卷积神经网络、门控循环单元和未引入注意力机制的CNN-GRU等模型,组合CNNGRUA模型具有更高的预测精度,平均绝对误差百分比仅为1.72%。

具有FIR突触的积单元神经网络预测时间序列

提出一种具有有限脉冲响应 (FIR)突触的积单元神经网络 (PUNN)结构 ,并用于预测混沌时间序列 这种神经网络结构既继承了标准PUNN的结构简单、信息存储能力强的优点 ,又更适合预测混沌时间序列 ,特别是在小的学习样本情况 分别用具有FIR突触的PUNN、标准PUNN以及模糊神经网络 (FNN)等 3种神经网络对小的样本混沌时间序列做了 1步和多步预测对比实验 结果显示具有FIR突触的PUNN比其他 2种神经网络预测精度都高

积单元神经网络预测噪声环境的混沌时间序列

用人工神经网络预测噪声环境的混沌时间序列是一个重要的问题,因为许多实际的时间序列数据都是含噪声的。提出一种利用积单元神经网络(PUNN)预测噪声环境的混沌时间序列的方法,它采用了粒子群优化器(PSO)训练PUNN网络。用所提方法对Lorenz混沌序列做了仿真实验,结果表明:所提方法结构简单、泛化能力强,是一种有效的方法;当PUNN网络的输入节点数目为2或3时,预测精度更高,而且泛化能力也更强。

基于粒子群优化的积单元网络预测混沌序列

提出一种基于粒子群优化 (PSO)的积单元神经网络 (PU NN )预测混沌时间序列的方法 .PUNN信息存储能力强 ,但是它的训练却很困难 .PSO是一类基于群智能的随机全局优化技术 ,故该文用 PSO算法训练 PUNN.对 Mackey-Glass混沌序列分别用 PU NN和模糊神经网络方法做的单步及多步预测对比实验结果说明不仅用 PSO算法训练PUNN是有效的 ,而且用 PU NN预测混沌时间序列是一种有效的方法 .

基于BP神经网络的河北省耕地生产力预测

鉴于BP网络在处理非线性复杂系统的优势,以河北省为研究对象,构建一个9-5-1结构的BP神经网络预测模型,将1987-2005年的相关数据作为模型的训练样本,以2006年的粮价政策、农资投入量和农民收入等数据作为网络的预测输入,对该年的河北省粮食单产进行预测。结果表明,BP神经网络预测结果与实际粮食单产的相对误差为0.86%,预测精度优于传统的多元回归统计模型。

改进卷积神经网络在预制构件工时预测中应用

实际生产中的一些不可控因素使得理论生产工时与实际生产工时存在偏差,成为预制构件生产过程中预先编制好的生产计划无法有效指导实际生产问题的主要原因之一。提出一种基于改进卷积神经网络(Improved Convolution Neural Network)的预制构件生产工时预测方法。综合考虑生产工时与构件结构、时间序列等特征的相关性对卷积神经网络进行改进,建立双链循环神经网络并添加门控循环单元。它结果表明,提出的改进卷积神经网络具有较高的精准度和较快的损失值收敛速度,且改进卷积神经网络在解决预制构件生产工时预测问题方面具有有效性。

自适应神经网络在FPSO火灾预警中的应用

为实现海上浮式生产系统(FPSO)火灾的预警,准确定位火源点,针对传统神经网络在火灾预警中存在收敛速度慢等问题,开发一种基于自适应神经网络的实时监测火灾预警方法。首先通过添加动量项和自适应学习率改进传统神经网络,并依据FPSO火灾事故数据训练学习网络;然后根据现场温度的实时监测数据,预测FPSO的火灾发生情况及位置;以FPSO平台的工艺处理模块I区为例,建立实时监测火灾预警自适应神经网络模型,利用FLACS软件设置火灾场景,将火灾发生后的温度监测数据输入到模型中。结果表明:输出的火源点位置与FLACS设置的火灾场景一致,验证了模型的有效性。

岩石水力流动单元法在超低渗透率油层产能预测中的应用

引入岩石水力流动单元概念,以测井综合评价为基础,利用神经网络技术建立测井响应与岩石水力流动单元关系,根据岩心数据和测井响应划分储层垂向流动单元,并针对每一类型的流动单元确定其孔隙度、渗透率相关性。提出了确定流体性质等参数和泄油半径、水力压裂裂缝等参数以及裂缝渗透率、表皮系数的原则。基于流动单元划分和改进的孔渗关系描述,应用拟稳态流产能预测方法进行在不同完井方式下的产能预测,该方法在大庆油田长垣扶杨油藏25口井压裂前后的产能预测中取得了良好的应用效果。