基于LSTM的天然气用气量智能预测方法

用户侧用气量的准确预测是天然气生产及管网运行调度的前提。为弥补现有预测方法未考虑数据本身误差对预测结果的影响,本文提出了一种基于历史数据的天然气用气量智能预测方法。该方法通过数据清洗和异常值筛选对原始数据进行预处理,降低原始数据误差对预测结果的影响;通过三次样条插值解决用气量数据丢失和用气量非等时间间隔的问题,采用小波降噪降低原始数据中的噪声;最后,通过实测数据构建了居民用气和工业用气两种类型的数据集,并通过构建的LSTM网络预测用气量。结果表明,该方法可以有效地预测天然气的用气量,与未处理的数据相比,预测误差分别降低了19.1%和27.9%。     

基于ARIMA和LSTM模型的建筑安全事故预测

研究比较差分自回归移动平均模型(Autoregressive Integrated Moving Average model,简称ARIMA)与长短期记忆神经网络(LongShortTermMemory,LSTM)模型在建筑安全事故预测中的效果。采用2012—2018年全国建筑安全事故快报数据训练ARIMA及LSTM模型,并对全国每年、每月发生的建筑安全事故次数进行预测,使用RMSE和MAE作为评价指标对比两种模型的预测准确率。ARIMA(1,1,0)模型和LSTM模型的RMSE、MAE值分别为8.1318、6.5911和16.4341、14.5534。结果表明,ARIMA模型比LSTM模型更适于预测建筑安全事故发生次数。     

基于LSTM递归神经网络医院门诊量预测方法

实时、准确地预测医院门诊量是医院解决目前医患矛盾的重要基础,然而传统医院门诊量无法正确地预测数据而揭示其时间序列内在规律,不能有效地调节治疗资源.提出一种基于长短记忆(LSTM)递归神经网络方法预测门诊时序,具体地说,对门诊时序初始数据进行归一化预处理,减少初始误差,然后将数据输入LSTM模型,解决LSTM过早地进入局...     

基于XGBoost和LSTM加权组合模型在销售预测的应用

针对多变量的商品销售预测问题,为了提高预测的精度,提出了一种ARIMA-XGBoost-LSTM加权组合方法,对具有多个影响因素的商品销售序列进行预测,本文采用ARIMA做单变量预测,将预测值作为新变量同其他变量一起放入XGBoost模型中进行不同属性的挖掘,并将XGBoost的预测值合并到多变量序列中,然后通过将新的多维数据转换为监督学习序列后利用LSTM模型进行预测,将3种模型预测结果进行加权组合,通过多次实验得出最佳组合的权值,以此计算出最终的预测值.数据结果表明,基于XGBoost和LSTM的加权组合的多变量预测方法比单一的预测方法所得到的预测值更为精准.     

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BP网络的GDP预测数据预处理方法研究

数据预处理是决定建模成功与否的关键步骤之一,而同一个模型用不同的预处理方法所得到的结果也会不一样。文章基于BP神经网络的GDP预测模型,探讨了已有的6种预处理方法,在这些方法之上又新增了2种不同的方法,最后用这些不同方法在MATLAB下实现,将所得结果作比较与分析,文章提出的减比法是一种既简单准确度又高的方法。     

数据预处理在保险理赔预测中的应用

数据挖掘技术在中国的应用尚不普及,一个重要的原因就是由于业务数据的不规范.通过使用数据预处理技术,可以使业务数据更加规范,保证各种数据挖掘算法取得良好的效果.以保险理赔预测为应用背景,介绍了如何结合专业知识进行数据清洗的方法,同时还提出了一种压缩大数据集的数据归约算法.     

基于ARIMA和LSTM混合模型的时间序列预测

由于现实中的时间序列通常同时具有线性和非线性特征,传统ARIMA模型在时间序列建模中常表现出一定局限性.对此,提出基于ARIMA和LSTM混合模型进行时间序列预测.应用线性ARIMA模型进行时间序列预测,用支持向量回归(SVR)模型对误差序列进行预测,采用深度LSTM模型对ARIMA模型和SVR模型的预测结果组合,并将...     

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。     

基于数据仓库的无线网络优化数据预处理

数据预处理正是为其提供高质量数据的关键。通过对网络优化中数据源的分析,提出一种基于数据仓库的数据预处理模型,给出了网络优化的方法。     

Time Series Prediction Method Based on Variant LSTM Recurrent Neural Network

Neural Processing Letters - Time series prediction problems are a difficult type of predictive modeling problem. In this paper, we propose a time series prediction method based on a variant long...     

基于混合深度神经网络的大气污染预测

城市空气污染物分布受各种因素的影响,准确预测空气污染物分布情况可以提高环境管理的决策能力,防止严重空气污染事件的发生。基于大量的气象数据和深度学习技术,笔者提出了一种新的大气污染物浓度预测方法。该方法使用卷积神经网络作为基础层的设计,可自动提取输入数据的特征。输出层运用一个长短时记忆网络,以保证时间依赖性。通过性能优化,该模型可以按时间序列预测未来的细颗粒物(PM2.5)质量浓度。使用郑州市的历史气象数据,将模型预测结果与实际结果进行比较;实验结果表明,与经典深度学习模型相比,该算法提高了预测性能。     

一种基于时间窗口的数据预处理算法

提出了一个基于时间窗口的数据预处理算法．面向具体应用,根据已有知识,此算法可以智能化地滤去一些“噪声”数据．与一般的定义不同．本文所谓的“噪声”数据是指那些由一些已知的规则决定性地影响着的数据,研究显示它们会对进一步的数据挖掘形成极大干扰．实际测试结果表明,本算法能够改善一些已有数据挖掘算法的执行效果．     

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。     

Neural Network for Data Preprocessing in Computed Tomography

Automation and Remote Control - We propose a lightweight noise-canceling filtering neural network that implements the filtering stage in the algorithm for tomographic reconstruction of convolution...     

基于LSTM神经网络的声纹识别

声纹识别利用说话人生物特征的个体差异性,通过声音来识别说话人的身份.声纹具有非接触、易采集、特征稳定等特点,应用领域十分广泛.现有的统计模型方法具有提取特征单一、泛化能力不强等局限性.近年来,随着人工智能深度学习的快速发展,神经网络模型在声纹识别领域崭露头角.文中提出基于长短时记忆(Long Short-Term Memory,LSTM)神经网络的声纹识别方法,使用语谱图提取声纹特征作为模型输入,从而实现文本无关的声纹识别.语谱图能够综合表征语音信号在时间方向上的频率和能量信息,表达的声纹特征更加丰富.LSTM神经网络擅长捕捉时序特征,着重考虑了时间维度上的信息,相比其他神经网络模型,更契合语音数据的特点.文中将LSTM神经网络长期学习的优势与声纹语谱图的时序特征有效结合,实验结果表明,在THCHS-30语音数据集上取得了84.31％的识别正确率.在自然环境下,对于3 s的短语音,该方法的识别正确率达96.67％,与现有的高斯混合模型和卷积神经网络方法相比,所提方法的识别性能更优.     

基于LSTM的移动对象位置预测算法*

移动对象位置预测是基于位置服务的重要组成部分。现有的移动对象位置预测算法有基于马尔可夫链的算法、基于隐马尔可夫模型的算法、基于神经网络的算法等,然而这些算法都无法解决移动对象轨迹数据中位置过多带来的维数灾难问题。为了解决这一问题,提出了位置分布式表示模型(location distributed representation model,LDRM)。该模型将难以处理的表示位置的高维one-hot向量降维成包含移动对象运动模式的低维位置嵌入向量。随后,将该模型与基于长短期记忆网络(long short-term memory,LSTM)的位置预测算法结合为LDRM-LSTM移动对象位置预测算法。真实数据集上的实验表明,与现有算法相比LDRM-LSTM算法在预测准确性上有较大的提升。