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

一种基于复合AI模型的动态阈值设定方法

中国电机工程学报 2022年第17期42卷 6286-6295页

作者：张立中谭源王堃陈志刚国网宁夏电力有限公司信息通信公司宁夏回族自治区银川市753000 中南大学计算机学院湖南省长沙市410008

传统信息设备的运行状态感知和故障告警主要依靠人工和传统自动化运维,存在开销大、效率低、错报误报率高等缺点。该文提出一种动态阈值设定机制,能够基于预测结果计算指定置信度下的动态阈值区间。为了得到准确的预测结果,提出离散小... 详细信息

传统信息设备的运行状态感知和故障告警主要依靠人工和传统自动化运维,存在开销大、效率低、错报误报率高等缺点。该文提出一种动态阈值设定机制,能够基于预测结果计算指定置信度下的动态阈值区间。为了得到准确的预测结果,提出离散小波变换–自回归滑动平均模型(auto-regressive moving average model,ARIMA)–指数加权萤火虫算法(exponential weighted firefly algorithm,EWFA)–极限学习机(extreme learning machine,ELM)复合模型。该模型通过离散小波变换将原始时间序列拆分为多个子序列,并按照平稳性的不同分别使用ARIMA模型和FA优化的ELM模型进行处理。最后,通过小波逆变换集成各个子序列的预测结果。此外,该文还提出EWFA,有效提升了萤火虫算法的寻优性能和收敛速度。在宁夏电力公司核心路由器数据上进行的实验表明,该方法获得了比Bi-LSTM、GRU等基准模型更好的性能,能够实现精准高效的故障预警,从而减少企业的人力物力开销。

关键词：时间序列预测小波变换动态阈值指数加权萤火虫算法极限学习机自回归滑动平均模型

顾及噪声影响的GNSS高程序列预测Prophet方法

在线全文

学校读者我要写书评

暂无评论

国防科技大学学报 2023年第2期45卷 121-130页

作者：鲁铁定陶蕊贺小星程远明周子琪东华理工大学测绘工程学院江西南昌330013 江西理工大学土木与测绘工程学院江西赣州341000 南昌市城市规划设计研究总院江西南昌330200

全球导航卫星系统(global navigation satellite system,GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验... 详细信息

全球导航卫星系统(global navigation satellite system,GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition,EMD)的“降噪-分解-预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明:降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。

关键词： Prophet 经验模态分解降噪时间序列预测组合模型

在线全文

学校读者我要写书评

暂无评论

量子自注意力神经网络的时间序列预测

电子科技大学学报 2024年第1期53卷 110-118页

作者：陈欣李闯金凡中金金融认证中心有限公司北京100176

在“量子-经典”混合模式下,设计了多头量子自注意力神经网络预测模型(MQSAPN)用以进行时间序列预测,模型包括多头量子自注意力模块以及变分量子线路预测模块两部分。通过对输入数据按时间步长分别进行量子态编码以及K、Q、V的计算,借... 详细信息

在“量子-经典”混合模式下,设计了多头量子自注意力神经网络预测模型(MQSAPN)用以进行时间序列预测,模型包括多头量子自注意力模块以及变分量子线路预测模块两部分。通过对输入数据按时间步长分别进行量子态编码以及K、Q、V的计算,借鉴已有研究使用高斯函数进行自注意力系数的估计方式,将量子自注意力特征提取后的数据再次编码到变分预测线路中,经过线路演化及测量,最终获取预测结果。完整流程与模型搭建均采用VQNet框架实现。在天气学变量的时间序列预测任务中,该模型表现出与经典多头自注意力模型预测模型以及长短期记忆单元网络模型相当的预测精度。此外,相对于同样是量子机器学习的data-reuploading变分线路而言,在近乎同等规模线路深度与参数量的前提下,表现出更高的预测精度,这也进一步验证了引入量子自注意力机制的有效性。值得指出的是,作为预测部分的变分线路会随着输入数据量的增多(如时间窗加长、特征变量规模增加等),其参数量与线路深度也会显著增加,尽管多层QSA能够较好地进行特征表达,但依然有可能因遇到“贫瘠高原”困难而成为整个网络的瓶颈。

关键词：量子计算量子机器学习自注意力机制时间序列预测

农用柴油机活塞环组机油消耗和窜气的灰色关联分析与预测

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2023年第15期39卷 57-66页

作者：杨朗建雷基林宋国富张海丰莫瑞张大帅昆明理工大学云南省内燃机重点实验室昆明650500 昆明云内动力股份有限公司云南省内燃机高原排放重点实验室昆明650200 昆明云内动力股份有限公司昆明650200

活塞环组的润滑和密封性能直接影响柴油机的动力性、经济性和排放特性,机油消耗量(lube oil consumption,LOC)和窜气量(crankcase blow-by,CB)是评估活塞环组润滑和密封性能优劣的主要指标。为探究影响农用柴油机活塞环组LOC和CB的影响... 详细信息

活塞环组的润滑和密封性能直接影响柴油机的动力性、经济性和排放特性,机油消耗量(lube oil consumption,LOC)和窜气量(crankcase blow-by,CB)是评估活塞环组润滑和密封性能优劣的主要指标。为探究影响农用柴油机活塞环组LOC和CB的影响因素及LOC和CB对影响因素的敏感程度,该研究提出农用柴油机活塞环组LOC和CB的多影响因素系统分析及预测方法。以YNF40农用柴油机为对象,首先搭建柴油机LOC和CB测试台架,建立活塞环组运动学与动力学仿真模型并验证模型的精确度和可靠度,然后采用灰色关联分析(grey relation analysis,GRA)得到不同影响因素的灰色关联度(grey relational grade,GRG),并基于此进行影响因素敏感性分析,最后基于BP神经网络建立不同转速工况下LOC和CB瞬态变化的时间序列预测模型。多因素GRG分析结果表明:对活塞环组LOC和CB影响最敏感和最不敏感的因素分别是活塞第一环槽下边缘倒角和活塞第三环槽背隙,其对应的GRG分别为0.89279和0.58361,得到目标与影响因素敏感程度的降序排列为:第一环槽下边缘倒角、顶环开口间隙、第一环槽下侧环岸间隙、第二环槽侧隙、第二环槽下边缘倒角、第二环开口间隙、第三环槽上边缘倒角、油环开口间隙、第二环槽上边缘倒角、第一环槽背隙、顶环切向弹力、第三环槽上侧环岸间隙、顶环环槽下侧轮廓倾角、第二环槽下侧环岸间隙、第一环槽上侧环岸间隙、配缸间隙、第三环槽侧隙、第一环槽上边缘倒角、顶环环槽上侧轮廓倾角、第一环槽侧隙、第二环槽上侧环岸间隙、第三环槽下边缘倒角、第二环槽背隙、第三环槽下侧环岸间隙、顶环上端缩减量、第三环槽背隙。LOC和CB随活塞第一环槽下边缘倒角和活塞第三环槽背隙变化的平均标准差分别为2.81、3.90和0.003、0.209。各影响因素与LOC和CB的GRG越大,LOC和CB随影响因素变化的平均标准差越大,对影响因素越敏感。BP神经网络时间序列预测结果表明:预测值与真实值的变化趋势较一致且都分布在95%置信带以内,模型具有较高的预测精度。研究结果可为农用柴油机提高热效率、减少和控制碳排放提供有效指导。

关键词：柴油机灰色关联分析 BP神经网络活塞环组机油消耗窜气时间序列预测

融合全局和序列特征的多变量时间序列预测方法

在线全文

学校读者我要写书评

暂无评论

计算机学报 2023年第1期46卷 70-84页

作者：李兆玺刘红岩中国人民大学信息学院数据工程与知识工程教育部重点实验室北京100872 清华大学经济管理学院管理科学与工程系北京100084

时间序列在现实生活中具有广泛的用途,使用时间序列预测模型能够预估序列的未来变化趋势,为决策提供支撑.对于多变量时间序列的预测研究,已经提出了很多模型,但已有方法存在如下问题:不能同时考虑时间序列本身和协变量的信息;忽略了多... 详细信息

时间序列在现实生活中具有广泛的用途,使用时间序列预测模型能够预估序列的未来变化趋势,为决策提供支撑.对于多变量时间序列的预测研究,已经提出了很多模型,但已有方法存在如下问题:不能同时考虑时间序列本身和协变量的信息;忽略了多变量时间序列中的全局信息;不能对预测结果进行解释.针对这些问题,本文提出了一个基于深度学习的多变量时间序列预测模型TEDGER,可以提取隐藏在单个时间序列中的序列模式和隐藏在多变量时间序列中的全局特征,并将序列模式和全局特征进行融合,通过残差预测的方式实现时间序列的预测.本文所提模型在真实的时间序列数据集上进行了实验评估.结果表明,本文提出的模型在预测准确度上超越了其他基准模型,同时模型拥有一定的可解释性.

关键词：时间序列预测全局特征矩阵分解深度学习注意力机制

基于生长神经气改进模糊神经网络的铝电解过程时序数据预测

在线全文

学校读者我要写书评

暂无评论

计算机集成制造系统 2023年第10期29卷 3239-3248页

作者：盛晓静吴永明李少波刘天松刘应波贵州大学现代制造技术教育部重点实验室贵州贵阳550025 贵州财经大学信息学院贵州贵阳550004 云南财经大学云南省经济社会大数据研究院云南昆明650221

针对传统预测模型因分析铝厂时序数据时历史数据量大而无法快速挖掘实时数据隐含的知识信息,导致预测效率低的问题,提出一种基于生长神经气改进模糊神经网络(GNG-ANFIS)全局高效的时序混合预测模型。该模型首先利用生长神经气动态跟踪... 详细信息

针对传统预测模型因分析铝厂时序数据时历史数据量大而无法快速挖掘实时数据隐含的知识信息,导致预测效率低的问题,提出一种基于生长神经气改进模糊神经网络(GNG-ANFIS)全局高效的时序混合预测模型。该模型首先利用生长神经气动态跟踪采集到的时序数据来识别数据奇异点,进而筛选有效数据;然后利用改进后的黑猩猩算法对传统模糊神经网络进行优化;最后,结合铝电解生产过程中铝液杂质铁含量时序数据验证该模型的性能。实验结果表明,混合模型在减少训练时间的情况下仍能准确预测铁含量时序数据,验证了其可行性。

关键词：铝电解黑猩猩算法模糊神经网络时间序列预测生长神经气

在线全文

学校读者我要写书评

暂无评论

时间序列预测方法综述

计算机科学 2019年第1期46卷 21-28页

作者：杨海民潘志松白玮陆军工程大学研究生院南京210007 陆军工程大学指挥控制工程学院南京210007

时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测方法的核心就是从数据中挖... 详细信息

时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测方法的核心就是从数据中挖掘出这种规律,并利用其对将来的数据做出估计。针对时间序列预测方法,着重介绍了传统的时间序列预测方法、基于机器学习的时间序列预测方法和基于参数模型的在线时间序列预测方法,并对未来的研究方向进行了进一步的展望。

关键词：时间序列时间序列预测机器学习在线学习

张量时间序列预测T-Transformer模型

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年第11期59卷 57-62页

作者：李文陈佳伟刘瑞雪侯玉国杜守国上海对外经贸大学统计与信息学院上海201620 上海市大数据中心上海200072

张量时间序列呈现了多个时间序列随着时间变化协同演化的特征,张量时间序列预测已成为一个重要的问题。针对张量时间序列的高维特征,提出了基于Transformer的张量时间序列预测方法T-Transformer,将张量运算和Transformer共同集成到一个... 详细信息

张量时间序列呈现了多个时间序列随着时间变化协同演化的特征,张量时间序列预测已成为一个重要的问题。针对张量时间序列的高维特征,提出了基于Transformer的张量时间序列预测方法T-Transformer,将张量运算和Transformer共同集成到一个统一的框架中。该方法用张量表示的高阶时间序列,运用张量的切片和向量化,将张量时间序列转换成向量,将该向量经过编码后输入到Transformer模型,得到张量时间序列预测值。在三个公开数据集上进行的实验表明,与基准方法相比较,所提出的方法取得了更好的预测效果。

关键词：张量时间序列张量向量化注意力机制 Transformer模型时间序列预测

基于序列到序列结构的MOBA游戏局势趋势预测模型

在线全文

学校读者我要写书评

暂无评论

控制与决策 2023年第4期38卷 1137-1143页

作者：李康维田佳曹啸博申德荣聂铁铮寇月东北大学计算机科学与工程学院沈阳110169 北京机电工程总体设计部北京100039

多人在线战术竞技(MOBA)游戏是当前世界最流行的电子游戏类型之一,该类游戏涉及的知识领域相当复杂.随着电子竞技产业的飞速发展,数据分析对MOBA游戏的影响也越来越大,在对该类游戏的实时局势进行评价时,一般是选择过程变量作为指标,例... 详细信息

多人在线战术竞技(MOBA)游戏是当前世界最流行的电子游戏类型之一,该类游戏涉及的知识领域相当复杂.随着电子竞技产业的飞速发展,数据分析对MOBA游戏的影响也越来越大,在对该类游戏的实时局势进行评价时,一般是选择过程变量作为指标,例如经济差、经验差,但目前缺少趋势预测的相关研究.针对该问题,提出一种基于序列到序列结构的MOBA游戏趋势预测模型(MOBA-Trend).在预处理阶段,针对该类游戏数据的特点,设计一种数据缩放算法体现数据间的重要度,并使用低通滤波器消除数据噪声;之后将双方阵容与历史战斗信息作为输入特征,构建带有注意力机制的序列模型,同时预测经济差、经验差;最后将模型应用于Dota 2,构建并发布相关数据集.实验结果表明,所提出的模型能够有效地预测序列的变化趋势.

关键词： MOBA游戏时间序列预测序列到序列结构深度学习注意力机制