数据预处理对LSTM网络大气污染预测精度分析

大气污染物浓度数据具有时序性和非线性的特点,针对时间序列数据中的异常值和缺失值问题,进行异常值和缺失值预处理对长短时记忆神经网络(LSTM)预测精度的影响分析.利用箱线图法判别数据序列中的异常值,以均值替换法、回归插补法和多重插补法进行缺失值的预处理,分别利用原始数据序列和不同预处理方法得到的数据序列,对多变量输入LS...     

基于CNN和LSTM联合预测并修正的电量缺失数据预测

数据是电网调度控制系统稳定运行的关键依据,而因为硬件故障等原因导致数据采集过程中的数据缺失会影响到系统数据的完整性,从而对电网调度的智能性和高效性产生相应的影响.因此,针对缺失数据的准确预测对于智能电网调度系统的建设有着重要的意义.本文针对解决电网领域电能量采集系统的缺失数据预测问题对已有的基于CNN和LSTM联合预测方法进行改进和优化,在联合预测模型基础上添加修正模型,针对不同缺失数据段利用CNN卷积神经网络和电力数据里特有的对侧数据场景建模,实验结果证明该方法将平均绝对误差值降到0.142,提高了现有预测模型的准确率,对电网调度系统的智能性和高效性提供了数据完整性、准确性的保障.     

一种基于LSTM模型的日销售额预测方法

精准的销售额预测对于商业运营有非常大的指导意义,可以指导运营后台提前进行合理的资源配置,帮助管理者制定合理的目标。零售商店日销售额预测指从商店已有日销售额的数据资料中总结出商品销售额的变化规律,并根据该规律动态预测未来一段时间内的日销售额。预测目的是通过增加企业销量,从而完善生产模式,使企业获利。目前,现有的关于商品销售额预测方法的精度大都不高,低于85%。因此,提出了一种基于TensorFlow的LSTM模型的零售商店日销售额预测方法,能够提高预测未来一周的日销售额精度。实验结果显示,预测精度达到90%;同时得到LSTM模型的MAPE为0.031932,MAE为168.3207,明显高于现有模型的预测结果。     

基于LSTM的感应测井数据预测方法研究

为研究感应测井数据质量,采用长短期记忆（Long Short Term Memory,LSTM）网络作为感应测井数据预测模型。首先建立阵列感应测井数据库,进行统一标准格式化并建立3层模拟地层环境模型;其次建立LSTM神经网络预测模型预测阵列感应测井原始阵列数据,并通过图表可视化输出预测结果;最后使用预测指标评价预测结果。结果表明基于LSTM神经网络的预测模型预测阵列感应测井原始阵列数据较为准确,且比传统方法更快速、简便。     

基于LSTM的时间特征短期电力负荷预测方法研究

新能源发展的规模越来越大,电力系统的需求也越来越大,准确的电力负荷预测有助于电力调度、能源规划。对此,提出基于LSTM的短期电力负荷预测多种方法。其中包括LSTM模型、CNN＿LSTM模型、Attention＿LSTM模型、CNN＿Attention＿LSTM模型。选择的数据集来自于马来西亚柔佛州供电公司提供的小时用电负荷数据。为了提高准确率,还加入了时间特征、温度、湿度等多维度去考虑对负荷预测的影响。实验结果显示,平均绝对百分比误差、平均百分比误差等评价指标均优于传统方法。     

采用LSTM的风电功率预测方法研究

为实现风电功率的有效预测,本文提出了一种基于长短期记忆神经网络的风电功率预测方法,并建立了基于长短期记忆的风电功率预测模型。在公开的数据集中对该风电功率预测方法进行分析与验证。结果表明,该方法有较好的预测精度。     

基于SAE和LSTM的下肢外骨骼步态预测方法

提出一种基于栈式自动编码器（Stacked Auto Encoder,SAE）和长短时记忆（Long Short-Term Memory,LSTM）神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作为输入,步态作为输出,构建SAE-LSTM神经网络模型,并利用Keras对SAE-LSTM神经网络进行搭建和验证。实验结果表明,SAE-LSTM神经网络根据之前时间段的步态序列有效地预测出下一时刻的步态信息,平均准确率能够达到92.9%以上。     

基于分时LSTM的光伏发电功率预测

[目的]准确的预测光伏发电功率对电网调度具有十分重要的意义.[方法]光伏发电是一个连续不断的过程,光伏发电功率每时刻的变化取决于当前时刻和历史时刻的气象特征.本文考虑光伏发电的时间相关性,提出了基于分时长短期记忆神经网络(Long Short-Term Memory,LSTM)的光伏发电功率预测模型,利用Pearson...     

基于小波变换和LSTM模型的城市天然气负荷预测

城市燃气公司为防止出现储气量过剩或不足等问题,必须要对天然气负荷量进行预测.对此,提出一种基于小波变换和长短期记忆网络的深度学习模型(wavelet_LSTM),对未来一年的天然气日负荷量进行预测.在某市燃气公司真实数据集上的实验结果表明,该模型有较高的准确性,可以较好地满足城市燃气公司的业务需求.     

基于正则化LSTM模型的股票指数预测

针对金融时间序列预测问题,提出正则化长短期记忆神经网络LSTM(Long Short-Term Memory neural network)模型。LSTM模型通过其独特的单元结构,能够深入挖掘出时间序列中的固有规律;采用正则化方法修改LSTM模型的目标函数,优化网络结构,从而选出泛化能力较强的弹性网正则化LSTM模型。将该模型应用于道琼斯指数预测,实验对比表明,该方法计算出的均方根误差最小,预测拟合程度最高。     

基于LSTM神经网络模型的交通事故预测

道路交通事故是道路交通安全水平的具体体现,为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型,训练交通事故相关的数据,对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比,实验显示LSTM拟合效果最佳,另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系,能够更准确地对交通事故安全水平进行预测,使交通管理部门制定更加科学准确的决策。     

基于LSTM的航空公司能耗序列预测

为提高航空公司能耗的预测精度,针对能耗数据的复杂非线性时序特性,提出一种基于长短时记忆网络(LSTM)的时间窗滑动航空公司能耗预估模型。该方法对能耗时序数据进行预处理,消除能耗时序数据的季节性趋势;依据滑动时间窗将数据转换成监督型数据,构建基于LSTM的模型来实现航空公司能耗预测,并利用网格搜索算法进行参数优选。实验结果表明,该模型预测精度优于传统ARMA模型、SVR模型,验证了其可行性。     

基于改进LSTM的航空发动机气路参数预测方法

以航空燃气涡轮发动机气路故障诊断为导向,提出了一种用于发动机气路参数预测的特征注意力增强型长短时记忆网络(Feature Attention Enhanced Long Short-Term Memory Network, FAE-LSTM)。FAE-LSTM是具有编码-解码结构的动态网络,首先通过编码器中的特征注意力单元对工况序列进行动态特征提取,然后通过特征拼接层融合编码器输出序列、工况序列和历史性能参数,最后通过解码器实现最终的参数预测。FAE-LSTM基于发动机飞行过程数据建立发动机在健康状态下的动态模型,从而作为参数预测模型应用于基于残差的故障诊断系统中。针对网络的预测性能和应用方式进行了仿真分析,结果表明,相比于其他常用多变量时间序列预测模型,FAE-LSTM的长期预测误差最低减少24.5%;相比于使用串-并联结构,故障检测系统使用并联结构的FAE-LSTM网络能够获得更精确的检测结果。     

基于LSTM循环神经网络的PM2.5预测

PM_(2.5)要素对空气质量影响较大。PM_(2.5)浓度变化是多种因素作用的结果,且过程突发、非线性,具有明显的不确定性,难以使用传统的方法进行预测。针对该问题,以气象、大气污染物因素作为PM_(2.5)预测指标,提出基于LSTM循环神经网络的PM_(2.5)预测模型。使用灰色关联度分析方法对多个气象、大气污染指标进行关联强度分析;对数据进行平滑处理,将时间序列问题处理为监督问题;搭建多变量的LSTM循环神经网络PM_(2.5)预测模型,实现PM_(2.5)日值浓度的准确预测。使用北京市2010年-2017年气象数据和大气污染物数据进行仿真实验,结果表明该模型能够较好地预测PM_(2.5)的日值变化趋势。