宽度-深度融合时频分析的径流智能预测方法

为解决现有基于LSTM的径流预测模型易陷入局部最优的问题,提出了基于VMD-LSTMBLS(variational mode decomposition-LSTM-broad learning system)的径流预测模型。将宽度学习系统与LSTM结合,针对径流序列多噪音特点,采用时频分析方法中的变分模态分解,将径流时间序列的一维时域信号变换到二维时频平面,减少噪声对预测结果的影响。仿真结果表明：与基线模型及现有基于LSTM的径流预测模型相比,该模型的预测精度有较为明显的提高。     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

事件影响下的时间序列多尺度集成预测

针对时间序列的非线性、非平稳和多尺度特征,考虑到事件对序列结构产生的影响,提出事件影响下的时间序列多尺度集成预测策略。首先,基于经验模态分解将原始序列分解成若干分量,从多个尺度展现序列的基本构成;随后,基于迭代累积平方和实现分量序列的变点检验,从多个尺度判别和获取事件对序列产生的结构性影响;然后,基于干预分析构建事件对不同分量序列的影响模型,据此剔除事件影响,获取净化序列;最后,运用基于粒子群优化的支持向量回归,建立单一尺度的序列预测模型,进而实现事件影响下的时间序列多尺度集成预测。实证分析表明:该策略能够精细辨识事件对序列的多尺度影响,有效建立序列总体及分量的预测模型,与传统方法相比,具有更强的事件辨识能力、自适应建模能力和更高的预测精度。     

基于车站仿真和LSTM的轨道交通换乘站动态性能评估方法

在轨道交通客流量快速增长的背景下，为有效评估换乘车站运营过程中动态性能，提出基于机器学习的换乘站动态性能评估方法。基于提出的有效换乘人数、换乘时间和拥挤度的动态性能评价指标，深入分析了车站动态性能的影响因素，利用考虑行车与行人的换乘车站仿真模型提供机器学习所需的时间序列数据，采用长短期记忆(long short-term memory,LSTM)的机器学习方法，建立评价指标的预测获取方法，动态获取车站在不同条件下的运营状况。以犀浦站为例，运用仿真模型构建的2.24万个样本来训练预测模型。预测结果证明了预测模型的精度，并量化了购票比例对车站动态性能的影响。所提方法能够为轨道交通换乘车站换乘组织和客运作业提供有效建议。     

融合新闻影响力衰减的国际原油价格预测研究

随着大数据技术的发展,新闻数据被应用于国际原油价格的预测,但是目前缺乏对新闻数据影响程度和影响时长的研究.为量化新闻影响衰减,本文基于指数衰减和互信息提出了一种新闻影响力指数衰减时间序列的计算和择优方法.为提高预测精度,本文构建了基于差分进化优化算法的组合核函数支持向量回归预测模型,实现了权重系数、核函数参数和回归模型参数的优化选取.为评估方法的有效性,本文选择了8个模型进行对比研究.实证结果表明:本文设计的新闻影响力指数衰减时间序列计算方法提高了新闻指数与原油价格的相关性,有利于提升原油价格的预测精度;本文设计的预测模型具有较好的预测精度,验证集的平均绝对百分比误差为1.53%,优于对比模型.     

PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

基于LSTM-DBN的航空发动机剩余寿命预测

针对航空发动机剩余寿命(remaining useful life, RUL)预测中多传感器监测数据维度高、规模大以及时间序列信息考虑不充分等问题,提出一种融合长短时记忆(long short-term memory, LSTM)网络和深度置信网络(deep belief network, DBN)的RUL预测方法。首先,利用LSTM分别对单一传感器进行时间序列预测。其次,将预测结果整合输入到DBN进行健康指标提取。再次,结合健康指标预测曲线和失效阈值得到RUL预测结果。最后,利用商用模块化航空推进系统仿真数据集开展实验,并与已有方法进行对比分析,验证了该方法的可行性和有效性。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于EMD技术的非平稳非线性时间序列预测

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)技术的时间序列组合预测模型。首先对非平稳非线性时间序列进行EMD技术分解,然后将分解得到的子序列进行聚类,并运用传统的时间序列预测方法对各子序列分别进行预测,最后汇总子序列的预测值得到目标时间序列的预测值。统计模拟和实证分析显示:组合预测模型能够显著提高预测的精度,说明新方法对于非平稳非线性时间序列的预测是有效的。     

基于MLP 神经网络的区域物流需求预测方法及其应用

区域物流需求预测是区域物流系统规划、物流资源合理配置过程中的重要环节,而区域经济是产生区域物流需求的内在决定性因素,因此寻求利用区域经济指标来预测区域物流需求具有较强的可行性,同时能够促使区域物流产业与区域经济之间的协调发展.为此提出了基于MLP神经网络的区域物流需求预测模型,不仅揭示了区域经济与区域物流需求之间的非线性映射关系,同时也为区域物流需求预测提供了一种新的思路和方法.     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.     

基于生产间歇改进Elman的转炉煤气发生量预测

针对钢铁企业转炉煤气发生量间歇时长波动大,预测精度低的问题,基于生产间歇特征分类,提出基于混沌映射粒子群算法（CPSO）优化Elman神经网络的转炉煤气发生量预测模型（CPSO-Elman）。提取转炉煤气发生量时间序列中生产间歇特征,并根据间歇时长进行分类;引入经混沌扰动改进的PSO算法优化ENN的初始权值和阈值,利用非线性更新的惯性权重以平衡全局搜索与局部搜索能力,并在粒子初始化中添加了混沌映射;构建CPSO-Elman转炉煤气发生量组合预测模型;在预测未来时间内间歇时长基础上,预测转炉煤气发生量。仿真结果表明：所提方法在预测精度上比未经过优化而预测的方法提高了5%左右。     

电子系统状态时间序列预测的优化相关向量机方法

针对电子系统状态时间序列的预测问题,提出一种基于量子粒子群优化（quantum behaved particle swarm optimization, QPSO）的相关向量机（relevance vector machine, RVM）方法。对电子系统状态时间序列进行相空间重构,建立了RVM回归预测模型;以交叉验证误差最小作为优化目标,将RVM核参数表示为量子空间中的粒子位置,采用QPSO算法实现RVM模型参数的自动优化选择。雷达发射机状态时间序列预测实例表明,相比已有方法,所提方法具有更高的预测精度;同时,能够输出预测值的置信区间,有利于对电子系统未来健康状况做出更加可靠的判断。     

基于TCN-BiLSTM的网络安全态势预测

针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题，提出一种基于时域卷积网络(temporal convolution network, TCN)和双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络的预测方法。首先，将TCN处理时间序列问题的优势应用到态势预测上学习态势值的序列特征；随后，引入注意力机制动态调整属性的权值；然后，利用BiLSTM模型学习态势值的前后状况，以提取序列中更多的信息进行预测；利用粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优，提升预测能力。实验结果表明，所提预测方法的拟合度可达0.999 5,其拟合效果和收敛速度均优于其他模型。     

基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例

针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况,本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中,充分利用相关技术优势,设计了动态混沌神经网络时间序列预测模型.在此基础上,选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象,对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试,并用统计分析方法对模型性能进行评价与分析,最后,将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究.结果显示:整个动态混沌神经网络结构为27-12-1,所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势,这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.     

基于深度学习序贯检验的电源车故障诊断方法

针对电源车健康维护存在的问题,提出了一种基于长短时间记忆LSTM (Long Short Time Memory)网络与序贯概率比检验SPRT (Sequential Probability Ratio Test)融合的电源车故障诊断方法。该方法基于LSTM网络建立电源车的多变量时间序列模型,并引入SPRT方法进行自适应多样本故障诊断。经在电源车仿真系统上进行对比实验,结果表明LSTM诊断模型有更强的学习和映射能力,LSTM-SPRT融合的故障诊断方法,显著提高了电源车故障诊断的准确率和可靠性。     

电梯群控系统交通流的预测方法

交通流预测是智能电梯群控系统的重要组成部分,对交通流进行预测可使群控系统跟随交通流的变化调节控制策略.将基于神经网络的时间序列预测理论应用到电梯群控系统的交通分析中,构造了一种交通流时间序列预测模型,并提出了调整预测神经网络结构以提高预测精度的方法.仿真实验表明了这种交通流智能预测方法是有效的.     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。