基于GRU-CNN双网络输出构建BP模型的径流预测方法

提高径流预测精度是避免洪水灾害发生的重要手段,由于预测阶段并无已知有效样本,给预测工作带来难度,因此,提出以双网络输出为预测阶段提供数据参考,结合训练阶段双网络输出与真实值之间的关系,对预测阶段采用二次多变量建模实现径流预测。首先,构建GRU和CNN深度学习网络,同步输出2条径流预测序列;其次,在已知时段内,构建2条预测结果与实测值之间的多变量BP模型;最后,基于双网络输出预测值,通过确定的BP模型输出径流预测结果。经测试,该方法给预测时段提供了可靠的先验样本,高效学习了网络输出与真实值之间关系,预测精度显著提升。

基于CEEMDAN-GRU组合模型的碳排放交易价格预测研究

准确的碳价格预测有助于监管部门观测碳交易市场运行状况及投资者进行科学决策,对实现碳达峰和碳中和具有重要作用。但碳价序列具有非线性、非平稳性和高噪声的特性,很难对其进行准确预测。将完全自适应噪声集合经验模态分解(CEEMDAN)方法与门控循环单元(GRU)相结合,构建一个碳排放交易价格预测模型。该模型基于分解、集成思想,利用CEEMDAN将原始碳价序列分解,获得不同频率的本征模函数(IMF)和残差序列,使用GRU神经网络分别为各子序列建立预测模型,最后集成预测结果得到碳价预测值。以湖北省碳交易市场的日度成交价为例进行实证分析,结果表明:相较于其他5种基准模型,CEEMDAN-GRU模型具有更小的预测误差和更高的拟合优度,在碳价格预测上具有一定的优势。

基于GRU和LSTM组合模型的车联网信道分配方法

针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

基于Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于Swin Transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型,首先通过融合番茄两侧图像获取番茄表观全局红色总占比,构建不同成熟番茄图像数据集,并基于迁移学习优化Swin Transformer模型初始权重配置,实现番茄成熟度分类识别;其次,周期性采集不同储藏温度(4、9、14℃)下番茄图像数据,结合番茄初始颜色特征与贮藏环境信息,构建基于Swin Transformer与GRU的番茄成熟度时序预测模型,并融合时间注意力模块优化模型预测精度;最后,对比分析不同模型预测结果,验证本研究所提模型的准确性与优越性。结果表明,番茄成熟度正确识别率为95.783%,相比VGG16、AlexNet、ResNet50模型,模型正确识别率分别提升2.83%、3.35%、12.34%。番茄成熟度时序预测均方误差(MSE)为0.225,相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究为兼顾番茄成熟度实现贮藏温度柔性适时调控提供了关键理论基础。

基于K_means++聚类与RF_GRU组合模型的电力负荷预测方法研究

短期负荷预测是电力系统对负荷进行规划的重要依据之一,为了进一步提升短期负荷预测的精度,提出一种基于K_means++聚类与RF_GRU组合模型的电力负荷预测方法。首先,采用K_means++聚类算法将负荷群体分成负荷特性相近的群体,然后利用改进后的CSO算法优化随机森林中的相关参数使其性能最优,接着根据聚类情况采用随机森林选择结构不同的多层GRU网络分别对各组负荷群体进行预测,最后将所有组的预测结果相加得出最终预测值。算例结果表明,聚类算法的归纳整理功能为预测方法节省了预测时间,而采用组合模型又进一步提高了预测精度。

SARIMA-GRU组合模型的水位预测

相较于传统的单一模型,组合模型在一定条件下具有更优的预测精度。为验证组合模型是否有利于提高模型的预测精度,本文以长江中游支流澧水石龟山水电站的水位数据为基础,建立SARIMA模型和GRU神经网络模型,并将这两种模型基于方差倒数法和IOWA算子进行组合,最后比较单一模型和组合模型在该水位数据集上的预测精度差异。结果表明,适当的组合方式有利于提高模型预测精度,基于IOWA算子的组合模型具优良的预测性能。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

基于CNN-GRU模型的USV运动姿态多步预测方法

针对单一模型在预测无人水面艇(Unmanned Surface Vessel,USV)运动姿态时精度不高的问题,提出一种基于卷积神经网络(CNN)和门控循环单元(GRU)的USV姿态多步预测模型。首先,使用滑动窗口法构造运动姿态数据集作为模型输入;然后,使用CNN模块挖掘时序数据的局部特征;最后,使用GRU模型进行多步预测。使用实测USV运动姿态数据进行预测实验,实验结果表明,该模型比XGBoost模型、单一LSTM模型和单一GRU模型具有更高的预测精度,各项评价指标表现更佳,具有重要的应用价值。

基于Transformer-GRU并行网络的滚动轴承剩余寿命预测

为有效描述滚动轴承性能退化趋势和准确预测其剩余寿命,提出一种基于多域特征融合的Transformer-GRU并行网络的滚动轴承剩余寿命预测方法。建立评价指标对滚动轴承振动信号的时域、频域和时频域等多域特征进行筛选,得到评分高的敏感特征,获得退化特征集。利用自编码对退化特征集进行降维,减少数据复杂度和冗余度,得到滚动轴承的退化曲线。最后,利用Transformer-GRU并行网络进行剩余寿命预测,并将该方法运用到公开的轴承数据集分析中。结果表明:Transformer-GRU并行网络不仅可以高效准确地捕捉输入序列中的长期依赖关系,还能更好地处理时间序列之间的特征;该方法可以有效地预测滚动轴承剩余寿命,相比LSTM、GRU等经典方法更具优越性和泛化性。

基于GRU的密集连接时空图注意力网络的城市交通预测

城市道路拓扑结构的复杂性、交通流量的实时变化以及多元的外部环境等因素给交通预测带来了极大的困难。现有方法对交通路网的时空特征挖掘性不足,缺乏对外部因素的考虑,为此本文提出了一种基于门控循环单元(GRU)的时空图注意力密集连接网络,通过门控循环单元来捕获路网数据的动态规律,并以图注意力密集连接网络来提取路网复杂的空间结构特征,建立城市交通网络对时空的依赖关系。针对外部客观因素,采用独热编码的方式对城市各路段发生的交通事件进行数据建模,增强交通网络的信息属性。以杭州申花路及周围共309个路段为例,对所提出模型的预测能力和可行性进行验证。实验结果表明,模型预测精度最高达到了81.64%,与传统数学模型和主流的神经网络模型对比,预测精度较ARIMA提高了35.42%,较图注意力网络(GAT)和GRU神经网络分别提高了17.45%和3.02%。实验证明该方法可以适应复杂的交通流进行长期的交通预测任务,同时也能增强交通管理能力,减少交通拥堵成本。

基于GRU神经网络的城市建筑垃圾产量预测

针对具有时间序列特征的城市建筑垃圾产量预测精度低的问题,提出了一种基于门控循环单元(GRU)神经网络的预测模型。首先,根据《河南统计年鉴》收集了2002-2022年郑州市建筑垃圾产量和相关影响因素数据并进行相关性分析。然后,构建GRU神经网络预测模型,划分训练集与验证集,确定隐藏层神经元个数,同时采用自适应矩估计(Adam)算法更新梯度。最后,引入循环神经网络(RNN)和长短期记忆网络(LSTM)模型进行比较,选择绝对误差(MAE)、百分比误差(MAPE)以及相关系数(R^(2))验证模型性能。结果表明,GRU模型的预测结果更接近真实值,且具有更强的线性相关性。此外,利用该模型对2023-2027年郑州市建筑垃圾产量进行预测,结果显示到2027年建筑垃圾将达到8675.84万t。

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

基于CNN-GRU-LightGBM模型的单井产量预测方法

单井日产量趋势预测研究在油田生产中具有重要意义。由于油井生产工况复杂,难以准确预测日产量,建立了基于多变量时序数据的产量模型。基于卷积门控循环单元(convolutional neural network-gate recurrent unit,CNN-GRU)提取深层特征进行时序预测,基于梯度提升框架的集成模型(light gradient boosting machine,LightGBM)从回归预测角度进行预测,两者结果相互融合,进一步提高产量预测精度。同时,提出了一种可以实现多变量时序预测或回归预测模型在未知输入特征情况下准确预测产量的方法—超前参数递归预测策略。采用该方法对影响产量的重要特征进行超前预测,并将预测到的重要特征应用于预测产量的仿真测试中。仿真结果表明:本文模型与超前参数递归策略配合最好,在测试集上的预测准确度最高。相比单变量时序预测和回归预测模型,可显著提高预测精度。

基于ARMA和GRU的数据权重负载预测

文章将小波分解与自回归滑动平均模型(ARMA)和门控循环单元(GRU)结合起来,用于预测接下来几个时间间隔内的用户负载。为了降低数据中随机因素对模型的影响,对数据进行了加权处理。该方法首先通过Savitzky-Golay滤波对时间序列进行平滑处理,然后利用小波分解将平滑后的时间序列分解为2个分量。

基于深度学习的LSTM-GRU复合模型矿井涌水量预测方法研究

为了解决矿井涌水预测问题,引入深度学习理论,将长短期记忆网络(LSTM)和门控循环单元(GRU)进行结合,选取矿井涌水量为研究对象,建立一种LSTM-GRU的矿井涌水预测模型。以陕西某矿的矿井涌水量为样本数据,采用7∶3的比例将数据集划分为训练集和测试集,选择模型训练效果较好的梯度下降算法确定网络模型参数和正则化参数,为了证明LSTM-GRU模型的预测精度,同时将结果分别与传统的ARIMA模型和LSTM模型预测矿井涌水所得到的预测结果进行对比。结果表明:LSTM-GRU复合模型的平均绝对百分比误差(RMSE)为70.51,均方根误差(MAE)为53.4,平均绝对误差(MAPE)为2.80%,可决系数(R^(2))为0.86,具有较高的预测精度和可靠性,预测效果优于传统的ARIMA模型和LSTM模型。

基于GRU-XGBoost的短期风电功率预测研究

本文利用自适应噪声的完备经验模态分解(CEEMDAN)对风电原始序列信号进行处理后,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提升模型的预测能力和泛化性。首先,通过CEEMDAN将风电功率原始序列分解为不同时间尺度的分量,然后将分解后的信号输入GRU神经网络生成预测信号,最后通过XGBoost进行校正。通过与多种预测模型进行比较,证明了该模型在预测精度方面的卓越表现。

基于迁移学习与GRU神经网络结合的锂电池SOH估计

为解决退役电池梯次利用过程中单体剩余使用寿命估计困难、测试流程复杂与能耗高等问题,提出迁移学习与GRU网络结合的锂离子电池健康状态估计方法;设计的基础模型结构为输入层+GRU层+全连接层+输出层;根据健康因子的得分,选择训练基础模型的数据集、划分电池相似度等级并制定对应的迁移学习策略。实验结果表明:与其他模型相比,分别使用数据集的前40%与前25%训练得到的基础模型与迁移学习模型,两者的精度分别最大提高42.48%与95.28%,而预测稳定性分别最大提高55.38%与93.55%。

基于FinBERT和Bi-GRU的篇章级事件检测模型

现有的篇章级事件检测方法一般分为候选实体抽取和事件检测两个子任务,候选实体抽取任务的精度影响着事件检测任务的结果。针对现有方法候选实体抽取精度不足的问题,提出了基于FinBERT和Bi-GRU的篇章级事件检测模型。首先,采用FinBERT预训练模型提升词嵌入向量对金融语义的表示能力,从而增强模型对金融语义的感知。其次,将上一层获取到的语义表示输入Bi-GRU模型和多头注意力机制中捕获全局和局部特征,通过CRF进行解码并标注出候选实体和实体类型。最后,根据抽取的候选实体信息判断篇章中存在的预定义事件。实验结果表明,本文方法提升了候选实体抽取任务的精度,取得了较好的篇章级事件检测结果。