简介:针对短期家庭电力数据随机性强,数据维度低等问题,提出了一种基于长短期记忆循环神经网络(LSTM)的单变量短期家庭电力需求预测模型.实验表明,该模型能够准确反映以小时为单位的家庭电力需求趋势,且在不同家庭上的泛化性能优于传统的循环神经网络(RNN)和门控循环网络(GRU).
简介:摘要:目标轨迹信息表征目标的运动特征,通过预测轨迹数据可以对目标运动趋势进行预判,并实现对目标的定位分析。为此,本文利用LSTM神经网络对雷达采集目标轨迹进行预测,通过MATLAB编程对预测的轨迹数据进行验证。
简介:摘 要:风力发电目前进入了快速发展阶段,对风电功率的精准预测能够很大程度上的缓解风力发电对电网的冲击。现有研究主要以单个目标机组的时间序列数据进行研究,而没有考虑到风电机组的空间相关性。本文利用KNN算法筛选目标机组的空间相关因素,截取欧式距离计算的前K个邻近空间相关机组,再选取LSTM网络模型,提出一种同时考虑了时空特征的KNN-LSTM短期风电功率预测模型。以湖南省某风电场的历史发电数据和气象数据为样本,先将样本数据进行预处理,然后划分为训练集和测试集对模型进行训练和验证。结果表明:KNN-LSTM模型相较于支持向量机(SVM)和传统LSTM等其他模型,误差评价指标MAE和RMSE都有不同程度的下降。证明本文所提出的KNN-LSTM模型的预测精度更高,验证了模型的实用性。
简介:摘要:针对及时发现轴承使用过程中的异常并提高轴承故障诊断效率的需求,本研究提出了一种基于LSTM-FCN的轴承故障诊断方法。该方法利用全卷积网络(FCN)提取轴承相关信号的失效特征,并通过主成分分析(PCA)和滤波处理得到数据集,将其输入长短期记忆网络(LSTM)神经网络进行训练和优化,以得到轴承故障诊断预测分类结果。实验结果表明,基于LSTM-FCN的故障诊断方法能够高效地对轴承故障进行预测分类。
简介:摘要:近年来,网络问政平台的涌现带来了政府与公众互动模式的革新,促进了公众与政府互动交流的无缝连接,也逐步成为政府了解民意、汇聚民智、凝聚民气的重要渠道。但是,随着各类社情民意相关的文本数据量不断攀升,给目前主要以人工方式进行的留言划分工作带来了极大挑战。为了解决这个问题,通过对搜集的留言进行数据预处理,运用LSTM算法,建立网络问政平台群众留言的多标签分类模型,分类结果显示正确率高达90%,提高了分类的效率,实现了对海量留言的自动化分类。
简介:摘要:针对航空管制雷达驱动机构中的轴承实际工作环境中往往环境噪声较大,严重制约了信号的分析,影响最终的信号分析与判断的问题,本文提出了一种基于完全集合经验模态分解(Complete EEMD with Adaptive Noise,CEEMDAN)和长短期记忆网络(LSTM,Long Short-Term Memory)的滚动轴承剩余寿命预测方法。以PHM2012滚动轴承数据集为实验数据,利用采集到三种不同工况下的X轴和Y轴振动信号,利用 CEEMDAN对振动信号分解并筛选主要 IMF分量,计算前 7阶 IMF分量的能量熵作为特征向量;最后将特征向量LSTM进行寿命预测。实验结果表明本文提出的模型有效,为工程应用中滚动轴承剩余寿命预测提供参考。
简介:摘要:随着我国电力系统的建立,以及电力系统在最近几年里的发展,负荷预测的作用将会越来越突出。电力系统的调度运行还有生产在很大程度上会受到电力系统负荷预测结果的影响,负荷预测结果的准确性越高,电力系统运行的安全性与稳定性越好。不过,在短期电力负荷预测的过程中,传统模型已经没有办法既考虑到负荷数据时效性,又考虑到负荷数据非线性这两个主要的特点。因此,本文对基于深度学习的LSTM长短记忆神经网络的电力负荷预测方法进行了研究,并使用该方法对电力负荷值进行了计算,基本上可以确定LSTM网络在预测电力负荷时误差是最小的,所达到的预测效果也是最好的。
简介:摘要:棉花作为重要的战略物资,其价格是影响棉农的种棉积极性和纺织企业生产的重要因素。本文利用Python获取棉花价格历史数据并对数据的时间序列特征进行分析。建立了基于LSTM网络的棉花价格预测模型并与BP神经网络模型的预测结果进行对比分析,验证了LSTM棉花价格预测模型的实用性和精确度。
简介:摘要: 城市轨道交通是城市交通的重要组成部分。城市轨道交通因其运量大、准时、速度快、方便快捷、环保、经济,成为居民出行的主要方式之一。目前,城市轨道交通运营的总发展趋势呈现出网络结构复杂,客运运量大,突发事件传播快、影响大等发展态势,因此有必要对地铁进行客流量的预测研究,做好预案,减少突发事件,提高运营效率。城市轨道交通进站客流量序列具有非线性、随机性、高噪声等特点,传统的数值分析方法难以保证客流预测的准确性,因此,本文引入了机器学习的方法,采用长短时记忆神经网络(LSTM,Long Short-Term Memory)可以有效处理上述数据特性。实验结果显示,LSTM模型的进站客流预测值与实际值具有较好的一致性,验证了所提方案的可行性。
简介:摘要:过往研究中发现,深度学习方法中的LSTM模型在预测金融时间序列时表现良好。本文基于LSTM模型,对模型的层数、结构、激活函数等进行优化,并将优化后的模型用于对上证50ETF收盘价的预测,结果发现:①模型的层数会影响预测结果,过浅或过深的模型层数都会降低模型的预测能力,两层的LSTM模型对上证50ETF收盘价的预测能力最佳;②引入非线性激活函数的全连接层作为隐藏层可以提升模型的预测能力,exponential激活函数的表现最佳;③对特定隐藏层使用Xavier权重初始化方法可以提升模型预测能力。优化后的LSTM模型预测能力明显提升,该优化方法为LSTM模型构造提供了新的思路。
简介: