检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于CCNN的光伏发电功率预测

电气技术与经济 2024年第3期 339-343页

作者：郭红伟云南电网有限责任公司西双版纳供电局

高精度光伏功率预测在光伏并网、电网安全稳定运行中起着重要作用。为获得可靠的预测功率,本文提出了一种基于因果卷积神经网络(Causal Convolutional Neural Network,CCNN)的预测模型。首先,将处理后的特征数据输入到因果卷积神经网络... 详细信息

高精度光伏功率预测在光伏并网、电网安全稳定运行中起着重要作用。为获得可靠的预测功率,本文提出了一种基于因果卷积神经网络(Causal Convolutional Neural Network,CCNN)的预测模型。首先,将处理后的特征数据输入到因果卷积神经网络,在每一卷积层中,利用LSTM网络输入门对输入数据去噪,选出重要信息,而后经过1×1卷积核实现信息整合,同时降低运算复杂度,从而构建出CCNN预测模型。最后,采用巴西某发电厂真实数据对模型进行验证,并与人工神经网络(ANN)、LSTM和卷积神经网络(CNN)模型进行对比。结果表明,该方法可以很好地反映时序信息的动态特性,且预测精度优于对照模型,具有一定的实用价值。

关键词：光伏发电长短期记忆因果卷积网络功率预测

一种面向细粒度空气质量分指数(IAQI)预测的时空因果卷积模型

在线全文

学校读者我要写书评

暂无评论

地球信息科学学报 2023年第1期25卷 115-130页

作者：张羽民赵俊杰梅强刘希亮陈卓栋李建强王少华石宇良柴金川高雨瑶井小倩杨念迪马小焱北京工业大学软件学院北京100124 集美大学航海学院厦门361021 中国石油审计服务中心北京100028 中国科学院空天信息创新研究院中国科学院数字地球重点实验室北京100094 中国铁道科学研究院集团有限公司国家铁道试验中心北京100015

精确、细粒度空气质量分指数(Individual Air Quality Index,IAQI)预测是空气质量指数(Air Quality Index,AQI)的基础,对于空气质量防治和保护人类身心健康均具有重要意义。目前传统时序建模、循环神经网络(Recurrent Neural Network,R... 详细信息

精确、细粒度空气质量分指数(Individual Air Quality Index,IAQI)预测是空气质量指数(Air Quality Index,AQI)的基础,对于空气质量防治和保护人类身心健康均具有重要意义。目前传统时序建模、循环神经网络(Recurrent Neural Network,RNN)、图卷积网络(Graph Convolutional Network,GCN)等方法难以有效融合时空因素和气象因素,稳定提取监测站点间动态边缘关系。本文提出了基于时空因果卷积网络(Spatial-Temporal Causal Convolution Networks,ST-CCN)的空气质量分指数预测模型ST-CCN-IAQI。首先采用空间注意力机制分析多源空气污染物和气象因素的空间效应;其次利用堆叠膨胀卷积和时间注意力机制提取特征矩阵的时间依赖性特征;最后采用贝叶斯调优方法对膨胀卷积的多种参数进行了调优。本文采用上海市空气监测站空气质量分指数(IAQI-PM2.5)数据展开实验,并采用一系列基线模型(AR、MA、ARMA、ANN、SVR、GRU、LSTM和ST-GCN)与ST-CCN-IAQI效果进行对比。实验结果显示:(1)在单测站测试中,ST-CCN-IAQI的RMSE和MAE值分别为9.873、7.469,相比基线模型平均下降了24.95%和16.87%;R2值为0.917,相比基线平均提升了5.69%;(2)对全部站点的IAQI-PM2.5、IAQI-PM10和IAQI-NO2的预测,证明了ST-CCN-IAQI具有较强的泛化能力和稳定性。(3)采用Shapley分析方法论证了IAQI-PM10、湿度、IAQI-NO2对IAQI-PM2.5的预测具有较大程度的影响;通过不同数据抽样条件下的Friedman检验,证明了ST-CCN-IAQI对比基线模型有显著的性能提升。ST-CCN-IAQI方法为细粒度IAQI精准预测提供了一种鲁棒可行的解决方案。

关键词：细粒度空气质量分指数预测多源影响因素时空注意力因果卷积网络贝叶斯优化 Shapley分析 Friedman检验上海市

基于C-Informer模型的船舶轨迹预测方法

在线全文

学校读者我要写书评

暂无评论

交通信息与安全 2023年第6期41卷 51-60,141页

作者：陈立家周乃祺李世刚刘克中王凯周阳武汉理工大学航运学院武汉430063 武汉理工大学内河航运技术湖北省重点实验室武汉430063 武汉理工大学水路交通控制全国重点实验室武汉430063 长江海事局武汉430016

船舶在复杂环境中的航行受风浪、水深、船舶性能等多种不确定因素的影响,利用数学模型难以准确定义和反映船舶轨迹变化规律。针对此问题,研究了1种基于特征工程及神经网络的船舶运动轨迹多步预测方法,将轨迹预测任务分为数据处理及模型... 详细信息

船舶在复杂环境中的航行受风浪、水深、船舶性能等多种不确定因素的影响,利用数学模型难以准确定义和反映船舶轨迹变化规律。针对此问题,研究了1种基于特征工程及神经网络的船舶运动轨迹多步预测方法,将轨迹预测任务分为数据处理及模型预测2个部分:(1)数据处理模块利用特征工程的方法对AIS轨迹数据进行预处理,首先对原始AIS数据进行清洗,然后利用最大信息系数筛选出与位置预测任务高度相关的特征,并引入变步长的时间间隔信息,解决现有模型只能选取固定时间间隔的数据进行训练和预测的问题,最后重构出高质量的船舶轨迹序列;(2)模型预测模块构建基于C-Informer的船舶轨迹预测模型,利用Informer模型的多头概率稀疏自注意力机制,降低网络模型的时间复杂度,同时基于生成式解码提高预测速度,通过引入因果卷积模块,增加模型对相邻时间轨迹特征的敏感程度,以弥补Informer模型在局部信息抽取时的不足,使模型更适应于船舶轨迹预测任务。基于南京港附近船舶AIS数据的实验结果表明:C-Informer模型的轨迹预测整体均方误差为1.72×10^(-7),平均绝对误差为2.43×10^(-4),与原始的Informer模型相比分别降低28.6%和31.9%,且使用筛选后的特征组合训练C-Informer模型,与只包含经纬度的特征组合相比,均方误差和平均绝对误差分别降低57.7%和42.1%。在对不同时间步长的轨迹进行预测时,C-Informer模型预测时间比长短期记忆网络模型最多减少了69.6%,损失最多降低了75.8%。

关键词：交通安全 AIS数据轨迹预测特征工程因果卷积网络 Informer模型

在线全文

学校读者我要写书评

暂无评论

顾及缺失值的因果图时空预测网络

测绘学报 2023年第5期52卷 818-830页

作者：王培晓张彤聂士超杨瑾萱王天骄武汉大学测绘遥感信息工程国家重点实验室湖北武汉430079 武汉大学资源与环境科学学院湖北武汉430079 武汉大学遥感信息工程学院湖北武汉430079

时空预测是地理时空大数据挖掘的基础研究命题。目前,多种模型用于预测未知系统的时空状态。然而,存在的大多数预测模型仅在没有缺失数据的时空数据集上进行测试,忽略了缺失值对预测结果的影响。在真实场景中,由于传感器或网络传输故障... 详细信息

时空预测是地理时空大数据挖掘的基础研究命题。目前,多种模型用于预测未知系统的时空状态。然而,存在的大多数预测模型仅在没有缺失数据的时空数据集上进行测试,忽略了缺失值对预测结果的影响。在真实场景中,由于传感器或网络传输故障,数据缺失是一个不容忽视的问题。鉴于此,本文提出了一种顾及缺失值的因果图卷积网络(causal graph convolutional network considering missing values,Causal-GCNM)模型用于时空预测。Causal-GCNM模型可以自动捕捉时空数据中的缺失模式,使得Causal-GCNM模型在不需要借助额外插值算法的前提下,可以直接完成时空预测任务。本文提出的模型在3种真实的时空数据集(交通流数据集、PM_(2.5)监测数据集及气温监测数据集)得到了验证。试验结果表明,Causal-GCNM模型在4种缺失条件(20%随机缺失、20%块状缺失、40%随机缺失及40%块状缺失)下仍然具有较好的预测性能,并在预测精度和计算效率两类指标上优于10种存在的基线方法。

关键词：地理时空大数据挖掘因果卷积网络图卷积网络时空预测时空数据缺失

基于LSTM⁃TCN的地下水位数据修复及应用

在线全文

学校读者我要写书评

暂无评论

现代计算机 2023年第8期29卷 20-26页

作者：袁志洪陈雨四川大学电子信息学院成都610065

准确预测地下水位是合理开发利用地下水资源的重要依据。由于数据采集过程中可能受到环境干扰或者采集装备发生故障等,导致数据缺失,进而影响模型的预测准确度。为了在含较多缺失值的地下水位数据上获得更准确的预测结果,首先,提出了基... 详细信息

准确预测地下水位是合理开发利用地下水资源的重要依据。由于数据采集过程中可能受到环境干扰或者采集装备发生故障等,导致数据缺失,进而影响模型的预测准确度。为了在含较多缺失值的地下水位数据上获得更准确的预测结果,首先,提出了基于长短时记忆网络(long short term memory,LSTM)-因果卷积网络(temporal convolu⁃tional network,TCN)的地下水位修复模型,通过学习原数据集中的时序特性和分布特点以改善数据集质量。然后,将多头注意力机制(multi⁃head attention mechanism,MA)与LSTM相结合进行地下水位预测,进一步提升LSTM模型的预测性能。最后,预测结果表明,使用LSTM⁃TCN方法修复后的数据集训练MA⁃LSTM模型,显著地提高了地下水位预测精度。

关键词：数据修复生成对抗插补网络因果卷积网络地下水位预测多头注意力机制