我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.
2021-12-02 10:50:39
598KB
1
针对注意缺陷多动障碍（attention deficit hyperactivity disorder，ADHD）儿童和正常儿童的分类问题，实验采用经典干扰控制任务范式对两类儿童的事件相关电位（event-related potential，ERP）进行了研究，旨在通过ERP特征实现其分类。实验首次使用长短期记忆（long-short term memory，LSTM）方法分析两类儿童前额叶与顶枕叶脑区最佳电极（p<0.05）潜伏期（200~450 ms）的脑电信号，并自动学习和分类其ERP特征。相比常规分类方法，LSTM方法的分类率略高，可达95.78%。研究结果表明LSTM方法有助于ADHD儿童脑电信号的分类，为ADHD儿童个体诊断技术提供了一种新思路。
2021-12-01 20:34:48
2.05MB
1
滚动轴承的运行状态对整机工作状态影响重大, 但目前其故障诊断方法存在依赖手工特征提取、鲁棒性不高等问题. 因此, 本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)集成的滚动轴承故障诊断方法(1D-CNN-LSTM). 首先, 利用改进的1D-CNN-LSTM模型对滚动轴承6种不同的工作状态进行了分类识别实验, 实验结果表明提出的分类模型能够以较快的速度识别出滚动轴承的不同状态, 平均识别准确率达99.83%; 其次, 将提出的模型与部分传统算法模型进行对比实验, 结果表明所提方法在测试精度方面有较大优势; 最后, 引入迁移学习测试模型的鲁棒性和泛化能力, 实验结果表明提出的改进模型在不同工况下有较好的适应性和高效性, 模型有较强的泛化能力, 具备工程应用的可行性.
2021-11-30 16:27:13
1.27MB
1
受风速随机变化的影响,风电输出功率具有波动性。为了平抑风电输出功率的波动,在配置电池储能系统的基础上,文中基于风电短期平均功率预测技术,以风电时间周期T的平均功率为对象,采用时间序列法进行预测,实时滚动预测未来每个时间周期T的平均功率,结合平抑度要求和电池荷电状态限制条件,控制并网功率在每个时间周期T都保持在平均功率附近的可接受范围内,分段平抑功率波动。其中,根据电网对风电功率波动的可接受程度,设置平抑度,为防止电池过充放电,对电池SOC进行限制。最后以某风电场的实际历史数据为例,在Matlab中进行了仿真分析,验证了所述方法的有效性。
2021-11-28 19:32:23
241KB
1
提出一种计及历史气象数据的短期风速预测方法。首先将历史风速数据和历史气象数据作为风速预测的原始输入，采用混合特征选择（HFS）方法对输入向量进行删选，选取与预测风速强相关的变量，生成预测模型的输入特征集；然后运用异方差高斯过程回归（HGP）模型进行建模，该模型能体现风速的随机性。根据某实测风速数据进行提前1 h风速预测，结果表明所提方法能提高风速预测精度。
2021-11-28 15:41:36
793KB
1
基于TensorFlow深度学习框架和聚类回归模型的大用户短期电力负荷预测
2021-11-27 19:23:44
422KB
1
在金融二级市场上对数据的分析方法主要是基于统计学和人工建模的方法，本文的提出了使用神经网络的方法分析二级市场金融数据。本文首先提出了在金融二级市场上使用神经网络方法的思路，其次证明了在二级市场使用神经网络进行数据分析的可行性，并且根据金融数据的特点设计出一种适合于处理金融数据的CNN-LSTM网络来处理数据。该网络对比传统的简单的统计方法和一些神经网络方法比如逻辑回归，卷积神经网络（CNN），长短期记忆网络（LSTM）等方法，在对市场价格变化在较短时间内的预测和在较长时间内的预测都有显著的提高，比简单的统计方法提高10%，比其他神经网络提高5%。提出了一种能够较为有效分析金融二级市场数据的方法。
2021-11-26 18:57:14
1.52MB
1
超短期负荷预测为实时电力市场运行提供重要依据，
预测准确度的提升对于揭示负荷变化的不确定性以及日前
预测偏差具有重要意义。基于电力系统中含有的丰富大数据
资源，提出了一种针对区域级负荷的深度长短时记忆网络超
短期预测方法，该方法包括输入数据的预处理、深度长短时
记忆(long short-term memory，LSTM)网络的构建以及模型
的训练和超参数的寻找等步骤。其中采用随机搜索的方法寻
找最优超参数，并在该超参数下选择泛化能力最优的模型，与前沿机器学习预测算法进行对比。实验结果证实，深度
LSTM 网络可以取得更好的预测效果，适合于离线训练实时
预测。此外，通过对隐藏层激活向量的可视化
2021-11-26 16:29:18
1.67MB
1
微博情感分析旨在研究用户关于热点事件的情感观点，研究表明深度学习在微博情感分析上具有可行性。针对传统卷积神经网络进行微博情感分析时忽略了非连续词之间的相关性，为此将注意力机制应用到卷积神经网络（CNN）模型的输入端以改善此问题。由于中文微博属于短文本范畴，卷积神经网络前向传播过程中池化层特征选择存在丢失过多语义特征的可能性，为此在卷积神经网络的输出端融入树型的长短期记忆神经网络（LSTM），通过添加句子结构特征加强深层语义学习。在两种改进基础上构造出一种微博情感分析模型（Att-CTL），实验表明该模型在微博情感分析上具有优良的特性，尤其在极性转移方面仍保持较高的F1值。
2021-11-25 12:04:36
1.11MB
1