基于改进蝗虫算法优化长短时记忆神经网络的多参数瓦斯浓度预测模型研究

为了高效挖掘煤矿安全监测监控系统海量数据中包含的有效信息,提高煤矿瓦斯浓度预测精度,提出一种改进的蝗虫优化算法(IGOA)优化长短时记忆神经网络(LSTM)的多参数瓦斯浓度预测模型.首先对瓦斯多参数时间序列进行相关性分析和小波去噪;其次通过重构线性缩减因子c、引入柯西-高斯混合变异和最优邻域扰动策略联合改进蝗虫优化算法,提高其全局寻优能力,以此来优化LSTM相关超参数,构建瓦斯浓度预测模型;最后,以实测数据为样本进行实验验证,将提出的模型与BP、LSTM、PSO-LSTM以及GOA-LSTM模型对比,可得到提出的模型具有更好的预测效果,平均绝对百分比误差和均方根误差两种误差评价指标分别为0.531％、2.48×10-3.结果表明,提出的瓦斯浓度预测模型具有更高的预测性能.     

基于ISSA-LSTM模型的短时交通流预测

针对现有模型对短时交通流预测精确度不高、模型参数难以确定的问题,提出一种基于改进的麻雀搜索算法(ISSA)和LSTM的短时交通流预测模型(ISSA-LSTM)。使用改进的ISSA算法优化LSTM的关键参数,减少参数的不确定性,从而构建预测精度高的交通流预测模型。该模型具备LSTM提取时序数据深层特征的能力,融合了SSA算法快速收敛和全局搜索的特点,并且改进了SSA算法麻雀最初位置分布完全随机的特点,使其能均匀地分布在各个区间,避免出现局部最优的可能。在真实的交通流数据集上进行验证,将模型的预测结果与BP、GRU、LSTM、PSO-LSTM和SSA-LSTM网络的预测结果进行对比。实验结果表明,ISSA-LSTM模型的RMSE相较于LSTM模型下降了3.263,MAE下降了1.87,MAPE下降了0.949百分点,R²上升了0.276百分点,相较于其他对比模型,组合模型的RMSE、MAE、MAPE、R²的评价指标效果均为最好。因此,ISSA-LSTM模型在短时交通流预测上有较高的预测精度和预测稳定性,对预测交通流有借鉴意义。     

基于LSTM-Prophet非线性组合的时间序列预测模型

目前采用单一预测模型对于复杂的非线性时间序列具有预测精度较低,且不能很好地捕捉时间序列的复合特征的问题,因此本文提出一种基于BP神经网络组合的长短期记忆网络-Prophet(LSTM-Prophet)时间序列预测模型。模型将长短期记忆网络及Prophet这2种预测模型得到的预测值通过BP神经网络进行非线性组合,得出最终的预测值。随后设计实现本文模型与3个单项模型的对比实验,使用3个不同领域的数据集验证本文模型的准确性和有效性。实验结果表明提出的预测模型具有较高的预测精度、较好的通用性和应用前景。     

煤矿瓦斯浓度的CAPSO-ENN短期预测模型

为了准确预测回采工作面的瓦斯浓度,提出云自适应粒子群算法优化Elman神经网络的瓦斯浓度动态预测新方法。利用井下无线传感器网络监测系统采集的回采工作面瓦斯浓度时间序列作为样本,并对其进行数据降噪和相空间重构等预处理。采用CAPSO算法对Elman神经网络的权值、阈值进行寻优运算,建立了回采工作面瓦斯浓度动态预测模型。通过对MATLAB仿真得出结果研究表明：该模型的平均相对变动ARV值为0.000357,相对均方根误差RRMSE值为0.1056,对回采工作面的瓦斯浓度预测结果合理且可为矿井瓦斯防治工作提供有效理论依据。     

基于小波分解的时序预测模型mWDLNet及其应用研究

各种类型的深度神经网络模型已被应用到时序分析中,但基于频域的神经网络与时域的线性模型融合仍然缺乏有效的模型.提出一种基于多级小波分解的深度网络和差分自回归移动平均模型相融合的方法(mWDLNet),时序信号经小波分解到频域,由卷积神经网络和长短期记忆网络提取时序信号的空间和时间维度特征,同时利用差分自回归移动平均模型(...     

LSTM船舶航迹预测模型

在复杂庞大的海洋环境下行驶,精确的航迹预测应是确保船舶在海上安全的重要基础.船舶在海上航行,精准的定位还决定了船舶航行的工作效率.根据船舶航向的复杂特性以及船舶轨迹预测的精度和实时性的需求,从神经网络入手,提出了基于神经网络的船舶航迹预测方法,充分探索船舶时间序列数据背后的运动规律,进而实现航迹预测.将船舶的经度,纬度...     

基于LSTM水稻产量预测

随着人工智能技术的不断发展,传统的人工经验预测方法已经不能满足现代农业发展的需求。近年来,基于深度学习的产量预测模型成为热门研究领域。针对水稻产量预测问题,基于长短期记忆网络（LSTM）建立一个水稻产量预测模型。该模型将天气特征、地理位置、风向作为输入特征并利用LSTM模型进行组合预测,以提高农作物产量预测的准确性。通过实验结果分析,验证了该模型的有效性。     

基于深度LSTM网络的多传感器瓦斯浓度预测模型研究

为充分利用井下多传感器数据源中的有效信息进一步提升井下瓦斯浓度预测模型的预测性能,提出建立一种基于深度LSTM（long short-term memory,长短时记忆）网络的多传感器瓦斯浓度预测模型。首先利用Pearson相关系数法筛选出与瓦斯浓度强关联变量作为模型输入参数,降低输入数据规模与复杂度,并对其进行多变量相空间重构,利用随机搜索算法对LSTM网络超参数进行自动寻优,建立参数最优的多传感器时间序列动态时序预测模型。算例研究表明,相较于常用的时序建模预测算法,所提方法能够更好的追踪瓦斯浓度变化趋势并在单步及多步滚动预测方面,依然具有较好的预测性能。     

融合CNN和Bi-LSTM的miRNA-lncRNA互作关系预测模型

非编码RNA(ncRNA)在很多动植物生命活动方面起着重要的调节作用,而微小RNA(miRNA)与长非编码RNA(lncRNA)的相互作用更为重要,其互作关系的研究不仅有助于深入分析基因间生物学功能,也可为疾病的诊治和植物的遗传育种方面提供新思路.目前,miRNA-lncRNA互作关系的预测大多使用生物实验和传统机器学习方法.由于生物鉴定代价高耗时长和机器学习涉及过多人工干预且特征提取过程复杂,在此提出一种融合卷积神经网络(convolutional neural network, CNN)和双向长短期记忆网络(bidirectional long short-term memory network, Bi-LSTM)的深度学习模型,兼备两者优势,既考虑序列间信息相关性和结合上下文信息,又能充分提取序列数据的特征.采用交叉检验评估模型性能,在玉米数据集上与传统机器学习方法和单一模型比对,取得较优的分类效果.另外,采用马铃薯和小麦数据集进行模型测试,准确率分别达到95%和93%以上,验证了模型具有良好的泛化能力.     

LSTM模型集成方法在客户流失预测中的应用

目前客户流失预测任务中常用的模型集成方法采用传统机器学习模型作为基学习器。而传统机器学习模型相比于深度学习模型,存在无法对时序数据进行有效建模、特征工程对模型效果影响较大等缺点。针对这些问题,提出基于LSTM的模型集成方法。采用LSTM作为基学习器进行时序数据建模;改进snapshot模型集成方法,增加样本权重调整方法,在训练单个LSTM模型的过程中得到多个具有不同权值的模型;利用得到的多个模型构造新数据集,在新数据集上训练逻辑回归模型。实验结果表明,该方法相比于单模型LSTM,可以在仅花费其1.8倍训练时间的前提下,将查准率和PR-AUC分别提升4.67%和3.74%,显著提高了客户流失预测效果。     

改进果蝇算法优化CIAO-LSTM网络的时序预测模型

为了提高时间序列的预测精度,提出了一种基于改进果蝇算法优化直连长短期记忆网络的时间序列预测方法。将长短期记忆网络的多个时间步输入与输出进行全连接(CIAO-LSTM,直连长短期记忆网络),增强了对目标系统中线性成分的表征。提出了一种改进的果蝇优化算法(IFOA),通过动态改变果蝇的搜索半径和对适应度函数增加逃脱系数,提高了果蝇优化算法的全局寻优能力和局部收敛速度。使用IFOA优化CIAO-LSTM网络参数并构建预测模型(IFOA_CIAO-LSTM)。实验结果表明,优化后的时序预测方法相比传统的长短期记忆网络泛化能力更强、预测精度更高,对于波动较大的数据可以实现更好的拟合。     

基于SSA-LSTM模型的日水位预测—以涡河流域涡阳闸为例

水位的准确预测可以指导城市的防洪减灾举措及水利工程建设, 提升城市洪涝灾害应急响应速度. 基于数据驱动的水位预测模型, 尤其是LSTM模型, 在模拟自然界中水文要素的强非线性关系时展现出优势从而得到广泛应用. 然而, 自然界中水文数据的采集往往伴随着噪声以及人为干扰因素, 这些问题影响了模型的预测性能. 针对这一问题, 本文开发了一种新的组合模型, 即SSA-LSTM模型. 该模型首先利用SSA方法将观测到的时间序列分解为周期、趋势和噪声分量, 接着利用LSTM对SSA方法去噪后的序列进行模型训练并得到最终预测结果.本文选取涡河流域涡阳闸1971年5月至2020年12月的闸上水位为数据集, 1)利用奇异谱分析方法将原始水位时序数据分解为多个趋势和噪声分量(RC₁–RC₁₂), 选取分量(RC₁–RC₁₀)为趋势项并重构为新的水位时序信号; 2)利用LSTM模型对重构的信号进行了训练和验证, 并将预测结果与LSTM模型的结果进行了对比; 3)为得到最优的SSA-LSTM模型, 针对不同的时间步长(7、14、21、28、35天)开展了单步预测性能评估实验, 实验结果表明, 在不同的时间步长下, SSA-LSTM水位预测模型的决定系数R²、均方根误差RMSE、平均绝对误差百分比MAPE均优于LSTM模型. 由此可见, 采用 SSA方法对涡阳闸水位的预处理可有效提高 LSTM 的预测效果, 相比于传统 LSTM 模型, SSA-LSTM模型具有高可靠和低误差的特点, 在水位预测应用中更具适应性, 可以为城市防洪、灌溉、供水等水利措施的合理调度提供更优的决策依据.     

基于变分模态分解和SSA-LSTM的SCR脱硝系统入口NOx浓度预测

燃煤机组的SCR入口NOx浓度测量具有较大迟延、影响因素复杂和波动性大等特点,往往不能真实反映NOx浓度的实时变化。针对上述问题,提出一种基于变分模态分解(VMD)和SSA-LSTM的SCR入口NO_x浓度的预测模型。首先采用变分模态分解法分解SCR入口NO_x浓度,互信息选择算法选择与目标变量强相关的辅助变量;然后利用SSA算法寻优LSTM神经网络参数构建SSA-LSTM预测模型;最后进行VMD-SSA-LSTM与LSTM、VMD-LSTM的仿真对比实验。结果表明,VMD-SSA-LSTM预测模型具有更高的预测精度、更小的误差和更强的泛化能力。     

基于数据融合驱动和DLSTM网络的轴承RUL预测

针对滚动轴承的剩余寿命预测问题,提出一种基于多传感器信号融合的深度长短期记忆网络预测模型.利用深度学习和长短期记忆网络组合来构造深度长短期记忆网络;将多个传感器信号数据进行融合处理,从而通过深度学习结构能够发现传感器时序信号中隐藏的长期依赖关系;通过网格搜索策略、自适应矩估计算法(Adaptive Moment Estimation Algorithm,AMEA)优化深度长短期记忆网络的网络结构和参数,并且引入一种主动丢弃法以缓解过度拟合问题.实验结果表明该方法具有更高的预测准确性和稳定性.     

基于LSTM模型的机场航班飞行轨迹预测

在复杂的空域环境下飞行,精确的航迹预测是确保飞机在客运、货运等飞行任务安全的重要基础,在外界条件不确定的情况上,飞行航迹具不完全稳定性。为了实现空域资源的高效利用,增强空中交通安全,针对时间序列飞行数据利用长短期记忆网络（long short-term memory, LSTM）建立预测模型,高效计算飞行轨迹,再以均方误差（mean square error,MSE）评估精度,最后用半正矢公式（haversine）计算弧面距离。实验结果表明,LSTM模型能很好地解决飞行轨迹预测的问题。     

基于CTC模型的无分割文本验证码识别

验证码安全性是保障网络安全的重要一环,本文利用深度学习,提出长短期记忆（Long Short-Term Memory, LSTM）网络和连接时序分类（Connectionist Temporal Classification, CTC）模型对主流的验证码图片进行智能识别,利用开源CAPTCHA验证码库生成数据集,简化验证码识别模型,统一语音识别和文本识别方法,实现端到端模型识别。本文提出的方法在较小训练集情况下有更优秀的性能。     

基于并联CNN-SE-Bi-LSTM的轴承剩余使用寿命预测

滚动轴承作为一种机械标准件,广泛应用于各类旋转机械设备,其健康状况对机器设备的正常运行至关重要,掌握其剩余使用寿命(RUL)可以更好地保证生产活动安全有效的进行.针对目前基于深度学习的机器RUL预测方法普遍存在:a)预测性能很大程度依赖手工特征设计;b)模型不能够充分提取数据中的有用特征;c)学习过程中没有明确考虑多传感器数据等缺点,提出了一种新的深度预测网络——并联多个带有压缩激励机制的卷积神经网络和双向长短期记忆网络集成网络(CNN-SE-Bi-LSTM),用于设备的RUL预测.在该预测网络中,不同传感器采集的监测数据直接作为预测网络的输入.然后,在改进的压缩激励卷积网络(CNN-SE-Net)提取空间特征的基础上进一步通过双向长短期记忆网络(Bi-LSTM)提取时序特征,建立起多个独立的可以自动从输入数据中学习高级表示的RU L预测模型分支.最后,将各独立分支学习到的特征通过全连接层并联获得最终的RU L预测模型.通过滚动轴承加速退化实验的数据,验证了所提网络的有效性并与现有的一些改进算法进行了对比实验.结果表明,面对原始多传感器数据,该算法能够自适应地提供准确的RU L预测结果,且预测表现优于现有一些预测方法.     

基于GCN-GRU的瓦斯浓度时空分布预测

在煤矿井下复杂环境下,传统瓦斯浓度预测模型的预测精度较低,虽然通过引入各种优化算法对传统瓦斯浓度预测模型进行优化,提高了瓦斯浓度预测精度,但仅从时间维度进行建模,忽略了瓦斯浓度的空间特性,易导致重要先验知识丢失,影响预测效果。针对上述问题,提出一种基于图卷积神经网络（GCN）和门控循环单元（GRU）的瓦斯浓度时空分布预测模型。首先,对瓦斯浓度历史数据进行预处理,根据各采集节点间的空间距离,构建瓦斯浓度空间节点图,用于对节点间复杂的依赖关系进行建模。然后,在每个采样时间点,将瓦斯浓度和节点间的距离权重参数作为输入,获得瓦斯的空间节点图结构后,通过GCN进行空间特征自适应学习和图卷积运算,得到瓦斯浓度的空间特征,再将瓦斯浓度的空间特征信息转化为序列数据,输入到GRU。最后,GRU对时间序列下各时刻组成的瓦斯空间特征信息进行处理,通过基于序列到序列模型和自动编码器,生成模型预测结果。试验结果表明：(1) GCN-GRU模型能够较为准确地预测瓦斯浓度的总体变化趋势,预测结果与实际数据的拟合度优于历史平均（HA）模型和支持向量回归（SVR）模型。(2) GCN-GRU模型的均方根误差较HA模型、...     

基于CEEMDAN-DA-GRU的瓦斯涌出量预测模型

针对瓦斯涌出量数据具有非线性、周期性的特点和实际场景下不同特征因素与瓦斯涌出量关联程度不同导致预测精度低的问题,提出一种基于完备经验模态分解和双重注意力机制的瓦斯涌出量预测模型。通过CEEMDAN方法将瓦斯涌出量数据分解为频率不同的分量,以降低非线性数据的预测难度;再计算特征注意力机制中计算各特征因素的权重,挖掘当前分量与各个特征之间的关联关系;基于门控循环单元的时序注意力机制量化历史隐藏状态对当前状态的影响,提高长时间序列预测的准确度。通过相加重构得到最终预测结果。基于陕西某矿瓦斯涌出量数据进行预测实验,所提出模型的平均绝对百分比误差为1.65%,均小于DA-GRU、GRU和SVM等对比模型,验证了该模型的有效性。