擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

数据是单维一例的，基于时间节点的预测，matlab出图，程序包含LSTM程序单独运行、SSA-LSTM程序运行、两种程序对比。前70%训练，后面30%预测，大约有2000个数据，代码有详细说明，可供调整学习。

为了缓解大城市中日益突出的停车困难，现如今中国各大城市级停车诱导系统的研究开发势在必行.在停车诱导系统中，作为帮助用户找到最合适的停车场的重要因素，对未来停车位的预测是一个非常重要的智能技术手段.目前主流预测方法如果没有了实时数据，大部分会出现误差累积现象，从而影响预测准确性.然而，在停车诱导系统平台的建设早期，我们很难做到将城市所有停车场实时的数据流搜集起来.因此，文中以具有周期特性的非平稳停车位历史数据为研究对象，首先根据中心极限定理和大数定理对停车位进行统计分析，然后结合LSTM （Long Short-Term Memory），提出混合预测模型SAL （non-stationary Stochastic And Long short-term memory）来对未来某个时间段的停车位作有效预测.实验数据证明，相比于单独使用LSTM和Lyapunov指数法作长期预测，SAL的计算复杂度更低，预测效果相对更加精确，并且有效解决了在失去实时数据支撑情况下多步长期预测导致的误差累积问题.

双向长短时记忆（BiLSTM）进行需求预测,使用MATLABR2019b

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果

自动生成图片描述是自然语言处理和计算机视觉的热点研究话题，要求计算机理解图像语义信息并用人类自然语言的形式进行文字表述.针对当前生成中文图像描述整体质量不高的问题，提出首先利用FastText生成词向量，利用卷积神经网络提取图像全局特征；然后将成对的语句和图像〈S，I〉进行编码，并融合为两者的多模态特征矩阵；最后模型采用多层的长短时记忆网络对多模态特征矩阵进行解码，并通过计算余弦相似度得到解码的结果.通过对比发现所提模型在双语评估研究（BLEU）指标上优于其他模型，生成的中文描述可以准确概括图像的语义信息.

自动驾驶汽车技术近年来得到了广泛研究与快速发展，但在复杂的交通场景下，自动驾驶汽车面对突然出现的行驶车辆并不能及时避让。针对此问题，基于区块链技术提出智能网联车队的协同轨迹预测系统，智能网联车队中的各个节点与路边基础设施通过长短时记忆网络（LSTM）模型对周边车辆的运动轨迹进行预判，并将得到的结果进行分享，利用区块链技术，智能网联车队与路边基础设施可以对其接收到的信息进行评分，并将汇总后的评分以区块的形式加入存储信誉评分的区块链中。通过该评分，智能网联车队中的车辆可以根据车队中其他节点的信誉值来判断其是否可信，低信誉值节点传来的信息将不予理睬，从而实现了协同驾驶。实验分析表明，所提LSTM模型能够较为准确地预测周边车辆5 s内的行驶轨迹，而所提的系统在提升智能网联车队的行驶安全上起到了明显的效果。

当前基于油中溶解气体分析(DGA)的变压器故障诊断方法往往仅考虑单一时刻数据点，容错性差，难以充分挖掘在线监测数据的时序信息。提出一种考虑变压器油特征参量序列间复杂关系的基于双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。首先构建了变压器油特征参量序列，基于序列数据构建了Bi-LSTM变压器故障诊断模型。工程实际中不同变压器油特征参量序列长短不一，需通过排序、分组填充对模型输入进行重构改进，然后对超参数进行优化。基于同一自建数据库对比所提方法与其他方法，结果表明：经过数据重构后所提方法的准确率可达91.9 %；当特征指标数量减少约2/3时，所提方法的准确率仅下降约1%，而其他方法的准确率平均下降约6 %；当采样数据存在10%的随机错误时，所提方法诊断准确率仅下降2%~6 %，且通过改变隐藏层的数量可得到改善。

针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题，提出一种融合卷积神经网络（convolutional neural network，CNN）与长短时记忆网络（long short-term memory，LSTM）的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道，通过注意力机制（attention）融合，从而使模型能同时表达数据在空间维度和时间维度上的特征，并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明，双通道融合模型与单一的CNN、LSTM相比，能够更有效地提取数据特征，模型单步预测与多步预测误差平均降低35.3%，为基于QAR数据的故障诊断提供一种新的研究思路。

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