检索结果-南通市图书馆

数据分析与知识发现 2022年第10期6卷 35-45页

作者：陈稳陈伟中国科学院武汉文献情报中心武汉430071 中国科学院大学经济与管理学院图书情报与档案管理系北京100190 科技大数据湖北省重点实验室武汉430071

【目的】识别出多源数据中蕴含的新兴主题,建立融合计量指标多变量的lstm模型以实现新兴主题热度的预测。【方法】首先,挖掘出基金项目、期刊论文、专利文献中的研究主题;其次,根据主题新颖性、成长性和持续性筛选出研究主题中的新兴主... 详细信息

【目的】识别出多源数据中蕴含的新兴主题,建立融合计量指标多变量的lstm模型以实现新兴主题热度的预测。【方法】首先,挖掘出基金项目、期刊论文、专利文献中的研究主题;其次,根据主题新颖性、成长性和持续性筛选出研究主题中的新兴主题;最后,设计主题热度指标,并融合基金金额、基金数量、论文篇均被引、专利IPC小类数量4个计量指标,基于lstm模型实现对新兴主题研究热度的预测。【结果】以固体氧化物燃料电池领域为例,融合计量指标的多变量lstm预测效果优于BP、KNN、SVM、单变量lstm模型,其MAE(16.534)、RMSE(23.494)最小,R2(0.642)最高。【局限】在输入计量指标选择中,专利被引数量等指标由于很难获取每个时间窗口下具体数据而未被纳入。【结论】计量指标多变量的纳入优化了新兴主题热度预测模型的预测效果。

关键词：多变量lstm 新兴主题热度预测计量指标

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于机器学习的花期预测研究

基于机器学习的花期预测研究

引用

作者：张兴伟成都信息工程大学

学位级别：硕士

花期预测是农业气象指标体系建设过程中的重要一环,也是气象服务系统的重要一部分。花期预测不仅是回归预测问题,同样也是时间序列预测问题。目前关于花期的预测模型以建立回归模型为主。在回归预测模型的研究过程中,大部分学者的研究... 详细信息

花期预测是农业气象指标体系建设过程中的重要一环,也是气象服务系统的重要一部分。花期预测不仅是回归预测问题,同样也是时间序列预测问题。目前关于花期的预测模型以建立回归模型为主。在回归预测模型的研究过程中,大部分学者的研究都只是在算法阶段来提高预测模型的准确性,很少在数据部分通过对数据质量的优化来提高模型的准确性。其次,在回归预测过程中,由于实际结果是以天为单位的整数形式,而预测的结果是小数形式,就不可避免的会出现小数取整的问题。最后,回归模型为实现提前预测会存在长空白期,在此期间的低温冷害等气象灾害会影响预测结果。本文以山西省临汾市吉县当地“红富士”苹果生长过程为研究材料,借助机器学习和深度学习算法,提出了适合吉县当地的静态与动态花期预测模型。静态预测模型,是对现有模型的改进,是将多元线性回归模型为数据质量的筛选器,通过集成学习思想来优化回归模型。静态预测模型可以实现至少提前21天的花期预测。动态预测模型,是将多变量lstm网络与集成学习二分类任务相结合,完成对对每年3月25日至4月30日每一天的未来三天花期的预测。研究结果如下:1、时间间隔与气象因子的皮尔逊相关系数对9至12月的上中下三旬共12个不同时段内的气象因子分别与时间间隔进行皮尔逊相关性分析,发现:各个气象因子与时间间隔的相关性,没有存在高度相关的,只有中低度相关的。在9月1日至10月1日相关性排名第一的是10cm地温,10月11日至12月11日相关性排名第一的是降水量,而在12月21日相关性排名第一的是日照时数。2、静态预测模型对12个不同时间段的数据分别建立四特征向量与五特征向量多元线性回归模型,从而确定最佳预测时间段和最优特征向量个数。之后通过PCA降维和集成学习的思想改进模型。多元线性回归模型确定最佳预测时间段是以10月1日为起始以次年3月15日为终点,最优特征向量个数为4个,其模型的决定系数为-1.1583、均方根误差为6.3473、解释方差分数为-1.0022。而使用PCA降维后的集成学习思想的RFR、SGD加权平均模型和RFR、SVR的加权平均模型,其决定系数分别为0.3651和0.3763,均方根误差为3.4425和3.4121,解释方差分数为0.3763和0.3763。3、动态预测模型首先是特征工程,通过对气象因子进行周期性分析,找到周期性明显的气象因子并新增了气温和、地温和两个特征,新增特征同样满足周期性。然后,采用多变量lstm网络以加窗的方法,使用前30天的数据预测未来3天的数据。经过100次迭代后模型的损失低于0.05,实际值与预测值的均方根误差值小于0.6。最后,采用组合策略的思想对RF和Ada Boost两个分类任务学习器的预测结果进行算术平均判断是否为花期,其模型的AUC值为0.82,而单个学习器的AUC值分别为0.81、0.80。

关键词：多元线性回归集成学习回归任务多变量lstm 分类任务

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

lstm与KNN在地震烈度预测中的应用研究

LSTM与KNN在地震烈度预测中的应用研究

引用

作者：胡向阳上海工程技术大学

学位级别：硕士

地震发生后将产生纵波(P)、横波(S)两种类型的地震波,其中纵波传播速度大于横波传播速度,而横波对地表造成的破坏远大于纵波,因此当地震发生到破坏性地震波到来之前存在着时间差。地震烈度是衡量地震对震源周围地表造成破坏的程度。由... 详细信息

地震发生后将产生纵波(P)、横波(S)两种类型的地震波,其中纵波传播速度大于横波传播速度,而横波对地表造成的破坏远大于纵波,因此当地震发生到破坏性地震波到来之前存在着时间差。地震烈度是衡量地震对震源周围地表造成破坏的程度。由于地震P波初始信息(加速度、速度)与最大地震烈度之间存在着映射关系,因此在P、S时间差内,利用震源地周围观测台站观测到得P波初始信息对最大地震烈度进行预测,并先于破坏性地震S波到来之前将地震烈度信息发送到震源地周围,提醒人们提前做好防灾工作,对于减少人员伤亡和财产损失,具有巨大的价值。地震观测台站有强震仪和GNSS两种类型,强震仪观测频率高,但是易发生基线漂移、饱和现象,而GNSS可以对位移量进行直接观测,不会发生饱和、漂移现象,但是采样频率通常比较低,因此在进行地震观测时两种类型台站都具有各自的局限性。lstm作为一个具有上下文时序记忆的深度学习框架,已经广泛应用于具有复杂性、周期性的地震波、GNSS序列预测等领域。因此,本文将围绕地震观测台站观测的P波初始信息(加速度、速度)与最大地震烈度之间的关系,对地震烈度预测进行分析研究,所做主要工作如下:(1)在已有对地震P波初始信息与地震烈度关系研究的基础上,提出了基于多变量lstm与KNN组合的地震烈度预测方案,并利用九寨沟震例高频GNSS数据和强震仪数据对该方案进行了验证。(2)针对GNSS观测数据采样频率低,而强震仪易发生基线漂移、饱和的问题,利用卡尔曼融合算法对九寨沟强震仪观测数据和附近GNSS观测数据进行融合,结果表明,融合得到的数据既能表征局部信息又有效避免了严重饱和的现象。(3)提出一种基于多变量lstm的地震纵波(速度、加速度)时间序列预测方法。利用九寨沟震例武都站(GSWD)、岷县站(GSMX)、平武站(GSPW)数据对预测模型进行检验。以RMSE作为评价指标对预测模型预测效果进行评价,结果表明,多变量lstm模型在预测加速度、速度等地震参数时,RMSE值均低于ARIMA和单变量lstm结果。(4)通过分析地震纵波速度、加速度数据和烈度特征,提出一种基于KNN的地震烈度预测方法。将不同观测站点地震P波参数(速度、加速度数据)作为输入数据去预测各站最大烈度值。实验将GSWD站、GSMX站、GSPW站数据代入预测模型,结果表明,最大烈度与真实最大烈度均相差小于1度。利用滑动预测原理设计时间步为10秒、30秒的多变量lstm地震参数时间序列预测方案,实验结果表明,时间步为10秒的速度、加速度预测准确度高于时间步为30秒的准确度,相应的烈度预测也一样。其中平武站(SCPW)选用时间步为30秒时,预测烈度值与实际烈度值最大相差2.5度,选用时间步为10秒时,预测烈度与实际烈度值最大相差1度。

关键词： GPS坐标时间序列时间序列预测多变量lstm 地震烈度

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：