基于深度LSTM与遗传算法融合的短期交通流预测模型

短期交通流预测是交通优化控制和智能服务的基础。由于交通流日内波动性明显,使用单层长短期记忆网络(LSTM)存在泛化能力不足的问题,堆叠多层LSTM易导致模型难以快速收敛。通过对LSTM神经网络架构的优化设计,提出一种深度LSTM与遗传算法融合的交通流预测模型GA-mLSTM。首先,采用遗传算法(Genetic Algorithm, GA)对LSTM层数、Dense层数、隐藏层神经元个数和Dense层神经元个数进行优化,确定GA-mLSTM模型的网络结构设计和最优参数;然后,基于GA-mLSTM模型的预测结果,使用差分运算对预测误差进行修正;最后,利用公开数据集对交通流预测性能进行评估并验证,实验结果表明：GA-mLSTM模型采用3层LSTM神经网络结构,融入遗传算法和差分计算后,能有效捕获路网交通流的波动特性,可以实现更准确的交通流预测。     

混合LSTM与卷积神经网络的氧气提取率预测方法

针对空分装置系统的运行参数量大、氧气提取率预测研究欠缺的问题,提出一种基于卷积神经网络（CNN）、长短期记忆网络（LSTM）以及混合LSTM和CNN的氧气提取率预测方法。将氧气提取率作为预测目标,基于卷积神经网络、LSTM、混合LSTM与卷积神经网络模型对其进行建模,并应用于空分装置系统运行采集的数据中。使用平均绝对百分比误差、均方根误差和平均绝对误差等指标来评价预测模型的精度,并使用模型训练时间以及模型收敛速度评估模型性能。实验结果表明,采用混合LSTM和卷积神经网络的氧气提取率预测方法的效果明显优于其他两种模型。     

基于SFO-GRU模型的短期负荷预测

为提高短期负荷预测精度,提出一种基于旗鱼优化算法(SFO)和GRU神经网络的短期负荷预测模型.通过使用负荷、气象等真实数据对GRU神经网络的权重参数进行训练并建立GRU预测模型,同时采用旗鱼优化算法(SFO)优化GRU模型的迭代次数、学习率和隐藏层神经元数量,仿真实验结果表明,与BP、LSTM等经典预测模型相比,SFO...     

基于模糊K线的FCLSTM-vSVR模型的股票价格预测

股票市场具有不确定性和非线性等特点,因此准确地预测股票价格对投资者来说是一项重大挑战.现有的股价预测模型较为单一,预测精度不高.针对这一问题,提出一种基于模糊K线的长短期记忆(LSTM)网络和支持向量回归多阶段混合模型(FCLSTM-vSVR).研究第一阶段,基于遗传算法对LSTM网络进行参数寻优,找到时间窗口和隐藏层...     

基于Lembda网络和LSTM的车辆轨迹预测

驾驶员在驾驶时,会对周围车辆的轨迹进行预测,并且采取一个安全的行为模式,从而减少道路事故的发生.出于这个想法,研究人员基于深度学习的模型,对车辆的轨迹进行预测,从而提升自动驾驶车辆的安全性.通过不断分析获得的驾驶数据,深度学习可以得到其它汽车的行为模式并进行预测.相较于过去的方案,基于深度学习方案在轨迹预测上具有优势,本文基于transformer模型的LSTM(长短期记忆网络)编码隐藏参数,反映周围车辆的驾驶意图,再通过Lembda层获得这些车辆对预测车辆的影响,最后通过LSTM解码获得预测的轨迹.相较于以往的方案,应用Lembda层的方案计算速度更快,同时实验表明相较于以往方案轨迹预测精度有提升.     

改进RNN的城市交通拥堵预测模型研究

准确的交通流状态识别是智能交通管理与控制的基础,针对城市交通网络中拥堵预测问题,使用一种基于深度学习网络的预测模型,通过对全天路面交通流数据的研究分析,得到对交通拥堵状态的准确判断及预测。通过利用改进RNN循环神经网络算法,对已有数据进行学习判断拥堵路段的数据序列,同时获取可表征数据深层特征的隐层参数。利用RNN模型在时间轴上的作用,根据可表征拥堵序列对交通拥堵状况进行预测。通过多次仿真实验,结果显示对交通拥堵时段预测准确率最高达到88%。预测模型在基于交通流数据的拥堵预测中具有更好的预测性能。     

深度学习在交通运输中应用综述

介绍了自编码器、卷积神经网络、循环神经网络三个主流深度学习网络架构在交通运输中的应用研究,简述了三个主流深度学习网络的应用背景.对于三个深度学习网络在交通运输中的应用,分别分析了自编码器在交通流预测,特别是在短时交通流预测方面的技术研究;卷积神经网络在交通热点图像、车牌识别、驾驶员注意力等方面的技术应用;循环神经网络在...     

基于PSO-LSTM优化模型的网络流量预测研究

网络流量预测是网络规划、设计和建设的重要依据，对有效满足人民网络需求有着极其重要的意义。本文通过构建基于PSO-LSTM优化预测模型，不仅提高了对网络流量预测的效果，还自动实现了对LSTM神经网络模型参数的优化，大大降低了LSTM神经网络模型优化的工作量。研究结果表明，基于PSO-LSTM优化预测模型能够实现对网络流量的准确预测，相比单纯基于LSTM神经网络模型，预测结果与实际值的均方根误差降低31%。     

基于深度学习的银行卡交易反欺诈技术研究

银行卡交易的反欺诈技术旨在检测出欺诈风险较高的交易,通常采用神经网络进行反欺诈预防.传统神经网络只有一层隐藏层节点,对复杂多变的欺诈特征泛化能力较差.为提高欺诈交易预测的准确度,将深度信念网络模型应用到银行卡交易反欺诈中.构建了一个五层的深度信念网络模型,逐层训练并反向调优后获取到欺诈交易的特征,并通过分类器对交易进行分类.实验表明深度学习模型在银行卡交易欺诈预测方面比传统神经网络具有更高的准确性.     

基于多层LSTM模型的雷达目标航迹快速识别算法

雷达目标航迹的快速识别对指挥员战场决策具有重要的参考作用，传统雷达目标航迹识别算法对于目标特征分析效果差，导致航迹识别效果不理想，为此，设计了基于多层长短期记忆网络(Long Short-Term Memory, LSTM)模型的雷达目标航迹快速识别算法。对雷达目标航迹信息进行采集与去噪处理；构建多层LSTM模型，提高对时间序列数据处理的性能，将采集的数据输入多层LSTM模型中；通过多层LSTM网络自主学习获取雷达目标航迹特征，并设计融合模块对多个特征进行融合处理，得到多特征子集，改善单一特征分析的不足；基于适应性矩估计(Adaptive Moment Estimation, Adam)算法优化模型超参数，训练损失函数，通过构建多层LSTM模型分类器完成雷达目标航迹快速识别。仿真实验结果显示，该算法能够精准提取雷达目标的多特征信息，多特征融合效果良好，航迹识别结果精准，目标位置平均识别误差为0.31 m,雷达目标航迹识别时间平均值为0.56 s,说明该方法能够精准、快速完成航迹识别。     

基于神经网络的双芯谐振光纤色散补偿特性预测分析北大核心CSCD

本文针对双芯谐振色散补偿微结构光纤中色散调控与结构参数优化等问题,提出了一种基于神经网络的光纤轨道角动量模式色散特性预测方法。通过搭建多层神经网络模型,调节神经网络的隐藏层层数、神经元个数及网络超参数,得到了较为准确的色散预测结果。本文提出的方法建立了光纤结构与色散特性之间的联系与规律,与传统光学仿真计算方法相比,该方法可以更快速高效地找到光纤结构对应的模式色散特性,对光纤结构的设计和优化有一定的指导作用。     

基于深度学习的英语口语自动评分研究

为提高英语口语学习效率，在研究了深度神经网络、声学模型、自动语音评分基础上，设计了一种基于深度学习的端到端自动英语评分系统。在输入层，将词汇表示为一个序列张量，其中每个位置对应于来自预先训练的词汇向量，并采用双向LSTM网络得到高层信息。在声学模型层，文中将注意力机制模型融入网络，从而提高系统运行效率。在输出层，将词汇的表示方式与口语表达连接起来，并利用softmax函数对成绩进行预测。通过仿真分析，结果表明所提方法较传统LSTM、GRU方法性能有所提升。仿真结果进一步验证了所提系统的有效性。     

基于深度卷积神经网络的交通流量预测数学模型设计

精确的交通流量预测是实现未来智能交通的关键技术。神经网络模型在该领域的预测方面具有一定的优势。因此,为了提高预测精度,设计一种基于深度卷积神经网络的交通流量预测数学模型。首先,对交通流量数据的预处理方法进行分析,然后结合特征训练过程和卷积神经网络构建深度神经网络结构,并给出深度神经网络的配置参数。利用美国明尼苏达大学UMD分校的交通流数据集进行仿真实验,结果表明,提出的模型可以对短时交通全局趋势进行预测,并具有较好的稳定性和预测精度。     

基于增量学习的时变信道预测方法

基于自回归模型(Autoregressive Model, AR)的传统信道预测方法在高速移动中，信道具有较大的时变性，导致信道发生了非线性的改变。基于反向传播(Back Propagation, BP)网络的信道预测方法通过适当地调整权重可使模型更加稳健，但是算法效率较低。提出一种新的模型，设计长短期记忆(Long Short-Term Memory, LSTM)网络和增量学习相结合的在线信道预测模型，实现时变信道的在线预测。模型应用LSTM神经网络学习长时间序列的特性来处理时间相关通信系统中的信道状态信息，增量学习(Incremental Learning, IL)在运行期间不断预测系统状态，同时更新LSTM神经网络的现有权重，交替执行训练和预测过程，模型可以很好地适应无线信道的动态变化。实验结果表明，提出的模型能有效地改善时变信道的预测准确率。     

深度学习算法的原理及应用

深度学习作为一种新兴的多层神经网络降维算法,通过组建含有多个隐层的神经网络深层模型,对输入的高维数据逐层提取特征,以发现数据的低维嵌套结构,形成更加抽象有效的高层表示。从深度学习算法的基本原理入手,较为详细地讲解了深度学习算法的单层网络基本结构受限波尔兹曼机及其训练过程。最后通过自动编码机举例说明深度学习技术应用于手写数字识别所带来的性能提升,并对深度学习技术做了简单总结。     

基于GRA-LSTM与SARIMA组合模型的季节性时间序列预测

针对LSTM模型对季节性时间序列中的周期、趋势性变化不敏感的特点,提出将SARIMA模型与LSTM模型进行组合,以提高模型预测精度.该方法首先构建了以关键影响因素为非线性输入层和历史数据为线性输入层的多对一 LSTM模型,将经过GRA法筛选的关键影响因素及历史数据输入到该模型中得到初步预测结果,使用SARIMA模型依据历史数据对季节性时间序列进行预测,提取预测结果中单位节点的比例序列,以实现对时间序列中周期、趋势信息的抽取,最后根据SA-RIMA模型中提取的单位节点比例,对LSTM得到的初步预测结果进行修正,得到最终预测结果.实验选取某市民航春运客流量数据对组合模型精度进行验证,通过与支持向量机、GRA法、GRA-LSTM模型、SARIMA模型4种单模型进行比较,验证了组合模型对于季节性时间序列预测的优越性.     

基于地磁轨迹信号的新型室内定位

无处不在的地磁场由于室内环境中建筑结构的差异而具有独特的特征。此外,地磁信号的分辨难度会导致定位结果的不准确。本文提出了一种使用深度神经网络来提高定位精度的地磁室内定位系统。为了解决地磁场的低分辨率问题,本文将连续的地磁信号矢量化为轨迹序列,并以此为基础设计了一种新的地图构建方法来搭建用于室内定位的地磁数据库。然后,通过引入时间卷积网络(TCN)来提取磁轨迹序列的深层特征。实验结果表明,这种方法优于KNN和基于LSTM的DRNN等其他机器学习算法。      

一种基于广义回归神经网络的微波功率器件X参数建模方法

为了解决微波功率器件大信号参数提取复杂的问题,提出了一种基于广义回归神经网络(GRNN)对微波功率器件进行建模的方法。与此同时,采用双隐藏层BP神经网络进行建模。为了验证两种模型的建模效果,采用谐波平衡实验得到预测数据与期望数据的三次谐波及其模值。最后通过对比得出,双隐藏层BP神经网络模型的三次谐波误差分别为5.287,3.320和4.483 dBm。GRNN模型的三次谐波误差分别为0.130,0.001和1.235 dBm。此外,双隐藏层BP神经网络模型的三次谐波模值误差分别为0.003,0.521×10^-4和0.683×10^-6。GRNN模型的三次谐波模值误差分别为0.001,0.235×10^-4和0.304×10^-6。通过以上实验证明了所提出的GRNN模型可以有效地对GaN高电子迁移率晶体管进行大信号建模。     

基于双层树状支持向量机的观点挖掘与倾向分析

本文通过进行大量预处理工作,将经过词袋模型和Word2Vec两种不同向量化方法处理后的文本数据分别输入到SVM和LSTM模型中,训练出可以识别文本情感倾向的模型.进而对新产生的评论进行分类.根据实际数据量的倾斜状况,基于传统机器学习算法支持向量机(SVM),本文提出双层支持向量机,采用2种不同的方法分别训练模型并预测.最后再使用深度学习算法长短时记忆模型(LSTM)再次训练并预测,并对这3种方法做出比较和总结.结果显示,双层SVM比单层SVM的准确度提高了8个百分点;而LSTM比单层SVM低了2个百分点,比双层SVM低了接近10个百分点.     

基于TCN的电商商品需求预测

<正>精确的商品需求预测可以有效减少缺货和降低库存积压，帮助企业制定合理的订货策略和库存决策。本文将深度学习模型时间卷积网络TCN引入到电商商品需求预测中，并与长短期记忆神经网络LSTM以及机器学习模型随机森林、CBRT、XGBoost进行对比实验，验证了TCN模型的预测精度最高，有助于TCN模型在商品需求预测中的推广应用。