基于卷积神经网络-双向长短期记忆网络的人体活动识别方法

针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,CNN-BiLSTM)进行...     

基于双向长短期记忆神经网络的岩相预测方法

介绍一种基于双向长短期记忆神经网络(Bi-directional long short-term memory,Bi-LSTM)的岩相预测方法,综合利用测井和地震数据进行高效准确的岩相预测.通过合成地震记录,进行井震数据的时深匹配,以地震吸收衰减数据、纵波阻抗、密度和伽马拟声波阻抗作为输入,以岩相作为标签,通过Bi-L...     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

在长短期记忆神经网络(LSTM)的基础上,运用双向的长短期记忆神经网络(BiLSTM),结合卷积神经网络(CNN)提出了一个预测模型,对超短期电力负荷预测.运用合肥市2019年全年数据对该模型进行训练及预测,结果显示,CNN-BiLSTM预测精度高于CNN-LSTM预测模型,为进一步提升预测精确度,在BiLSTM神经网络后面连接了一个Attention在输出,发现其预测精度进一步提升了.     

基于卷积神经网络的多通道特征表示文本分类模型

尽管长短期记忆网络(long short-term memory,LSTM)、卷积神经网络(convolutional neural network,CNN)及其结合体在文本分类任务中取得了很大的突破.但这类模型在对序列信息进行编码时,往往无法同时考虑当前时刻之前和之后的状态,从而导致最后分类效果不佳.此外,多版本预训...     

基于长短期记忆模型的交通拥堵预测方法

为了在交通拥堵预测算法中充分考虑各类因素的影响以及挖掘交通流数据隐含的深层特征,该文提出基于长短期记忆(Long-short term memory,LSTM)模型的交通拥堵预测方法。该方法充分考虑交通流特征、天气、节假日等因素,首先利用去噪自编码模型提取输入数据的核心特征,再使用LSTM模型长时记忆历史数据,二者结合对城市交通拥堵程度进行有效预测,通过与已有的交通拥堵预测模型进行对比,结果表明,该方法具有较高的预测准确度和鲁棒性,准确度能达到92%以上。     

基于长短期记忆神经网络的油田注水预测

为解决目前常用的人工智能注水预测无法考虑数据在时间上的相关性问题,通过选取一种基于循环神经网络(RNN:Recurrent Neural Network)改进的长短期记忆(LSTM:Long Short-Term Memory Neural Network)神经网络构建油田注水预测模型.该模型不仅能考虑到注水量和影响因...     

基于双向长短期记忆神经网络的配网电压异常数据检测

受自然环境、计量仪器等影响,量测数据会出现异常,导致调度人员错误决策,威胁电力系统安全稳定运行。为保障电力系统安全稳定运行,提出了一种基于双向长短期记忆(bidirectional long short-term memory, Bi-LSTM)神经网络的配网电压无监督异常数据检测方法。利用Bi-LSTM神经网络处理时序数据的双向特性,建立时序预测模型,通过对比预测值和实际值的误差检测异常数据。最后,基于某实际配网电压数据进行仿真验证,仿真结果表明:所提方法在准确率、F1分数等指标方面均优于决策树、K近邻、支持向量机、长短期记忆(long short-term memory, LSTM)神经网络。     

基于卷积长短期记忆网络的泄漏监测算法研究

针对长距离输送管道的应用中,沿线参数无法逐点测量,采用显式数学模型的方法并不完全能获得全部准确数值,提出一种基于卷积长短期记忆网络(CNN-LSTM)的流量预测方法。该方法使用CNN网络拟合空间特征,LSTM探索时间特征。采用从实际运行管道中收集的真实数据训练出对应的深度学习模型,从而可根据沿线压力梯度预测流量,误差范围为0.3%～0.7%管道输量。将该模型用于泄漏监测,可以通过连续监测预测与实际流量之间的偏差发现管道泄漏。确定泄漏点位置时采用了基于相关压力点之间曲线距离算法。在实际管道上的现场测试表明,新算法不仅稳定有效,而且在管道设备运行过程中不会产生错误报警。     

基于长短期记忆神经网络的短期电力负荷预测

为提高电力负荷预测的精度,提出一种基于长短期记忆神经网络的短期负荷预测模型.首先,选取28个影响电力负荷变化的因素作为预测输入候选特征,同时对部分定性表述的影响因素进行量化表征,对电力负荷特点及其影响因素分析.其次,借助皮尔逊相关系数分析选取了23个相关性较强的主要影响因素,进一步采用皮尔逊相关系数法分析影响因素对负荷...     

基于长短期记忆神经网络的城市交通速度预测

交通速度预测在智能交通系统中起着重要的作用,准确、快速的交通速度预测有利于及时掌握城市道路交通状况,能够有效实行交通诱导。针对交通速度具有极强的周期性,在工作日和非工作日之间存在较大差异,导致预测精度不高的问题,分别选取公开的工作日和非工作日交通速度数据,构建基于长短期记忆神经网络的城市交通速度预测模型。实验验证采用广州市20条路段的交通数据,结果表明,区分工作日和非工作日的平均绝对百分比误差、平均绝对误差和均方根误差的平均值比不区分均要小,说明区分工作日和非工作日可以有效地提高交通速度的预测精度。     

浅谈拥堵路网及其评价模型

随着经济的迅速增长,城市道路拥堵越来越严重,如何缓解交通拥堵成为交通规划发展的另一重要研究分支。在研究如何缓解拥堵前,更深刻的了解拥堵路网是非常必要的。本文从拥堵路网的定义入手,定性评价拥堵路网与定量评价拥堵路网相结合,最后了解道路拥堵对社会和人们的严重危害。这既能帮助我们更好的研究和认识拥堵路网,也能为缓解拥堵路网提供研究方向。     

基于模糊识别的高速公路交通拥挤预测算法

在分析影响交通拥挤因素的基础上,提出了一种基于模糊识别的交通拥挤状态预测算法,并对算法进行了模拟测试。测试结果表明:该算法实时性好,准确性高,可作为高速公路交通控制与诱导等管理手段的可靠依据。     

城市交通拥挤收费影响分析

城市交通拥挤收费意义重大，体现在其对收费区域的影响上。文章从收费对收费区域交通量、收费区域内外交通状况、城市公共交通以及城市停车需求四个方面的影响。提出相关模型，进行简单分析，阐述其意义所在。     

卫星网中基于时间戳的TCP拥塞控制算法研究

TCP(传输控制协议)拥塞控制机制直接使用在卫星网中存在很多不足。针对卫星网通信时延长、网络环境变化复杂的特点,利用TCP协议中的时间戳扩展选项,设计实现了一种改进的TCP重传和拥塞控制算法,能够根据RTT(RoundTripTime,往返时间)的变化对网络情况进行预测,从而及时重传数据包并调整窗口大小,仿真实验证明改进算法能够很好地提高TCP性能。     

WSN中基于多路径路由的拥塞控制算法

针对WSN多路径路由的拥塞问题,根据快速转发数据和节能的原则,提出了基于多路径路由的拥塞控制算法(CCAMR),CCAMR包含新路径建立、RBR与RER值获取及新路径撤销算法,通过建立新路径将拥塞区域的流量转移到负载较轻的区域,有利于避免和缓解重度拥塞.仿真结果表明,与CODA相比,CCAMR的丢包率和能耗更低,能够保证多路径路由下带宽分配的公平性,具有更高的拥塞解除效率.     

基于后悔理论的拥挤收费再分配效率研究

由于城市公共交通基础设施的快速发展,公共交通的补贴已成为许多城市财政的沉重负担。与此同时,拥挤收费政策的实施可以给政府带来一笔可观的财政收入。如果某城市在未来几年内实施拥挤收费政策,并将拥挤收费收入再分配于城市公共交通的补贴,将可以降低城市的公共交通财政负担。为此,考虑不同时间价值的出行者对于公交补贴具有不同的出行选择行为,通过一个多OD的道路交通网络,基于后悔理论探讨了多种公共交通补贴分配方案的效果。结果表明当高时间价值出行者获得更多的补贴时,拥挤收费再分配于公共交通补贴方案的效率是最高的。     

基于RED的网络拥塞控制算法研究及改进

随机早期检测(Random Early Detection,RED)算法是为TCP流设计的一个主动队列管理机制,能在一定程度上缓解网络拥塞.在RED算法中丢包率与包的大小之间是独立的,这就造成了对小包的歧视.在packet size算法中,通过对RED算法进行适当的改进,体现了丢包率和吞吐量之间的公平性.在此基础上进一步分析,用平均包的大小来影响丢包率以提高网络性能.仿真实验表明该算法对网络拥塞控制具有较好效果.     

基于神经网络的交通流的预测

在简要介绍智能系统中交通流的实时检测设备的基础上 ,为满足交通流诱导系统的理论需要 ,建立了实时交通流量神经网络预测模型。该模型为交通流诱导系统提供了预测交通状况的一种很好的方法     

异常突发事件下交通流特征分析与预测

针对在异常突发事件下交通流会呈现的不同特性进行研究,以期实现在突发事件下的城市道路短期交通流精准预测。引入基于跳转的ARIMA模型来对突发事件下的交通流变化规律进行描述,在路网正常情况下和路网堵塞情况下,仿真算例表明,预测模型可以较好地进行道路区域网络交流注预测。     

基于改进FCM均值聚类算法的城市道路状态判别方法

针对传统FCM算法与阈值法两种交通流状态判别方法在适用性上的不足,通过分析交通流数据的分布特征,以各状态数据的离散性变化差异作为参考进行状态的划分,在FCM算法的基础上加入历史先验数据与后验概率进行初始聚类中心的优化,并将传统欧氏距离替换为对多维度数据之间变化关系与空间分布更加敏感的马氏距离进行算法改良,使交通状态判别结果更加接近实际交通运行状况。并使用实验数据进行算法验证,验证了方法的稳定性与结果的有效性,判别结果与数据表现也更加接近。