检索结果-南通市图书馆

维普期刊数据库

基于ssa-lstm模型的黄河水资源调度研究

在线全文

学校读者我要写书评

暂无评论

人民黄河 2023年

作者：王军马小越张宇航崔云烨河南日报社郑州航空工业管理学院

黄河流域内的水资源分配和调度对于各个地区的经济发展和人民生活至关重要。为提高黄河水位预测精度,提出一种基于麻雀搜索算法(ssa)和长短期记忆(lstm)网络融合的黄河水资源调度预测模型,即利用ssa算法优化lstm模型的超参数后,对黄河水位进行预测。结果表明,ssa-lstm模型的MAPE(平均绝对百分比误差)、RMSE(均方根误差)、MAE(平均绝对误差)和R2(拟合优度)分别为0.006 3、0.030 4、0.024 7、0.994 5。相较于MLP、lstm对照模型,ssa-lstm模型的MAPE、RMSE、MAE明显减小,R2有所提升。采用ssa算法自动进行参数选优的方式,可解决lstm模型手动选择参数的难题。这种方法不仅大幅缩短模型训练时间,还能找到最优网络参数,从而发挥模型的最佳性能。利用ssa-lstm模型预测黄河水位具有良好的准确性和鲁棒性,可以为黄河水资源调度提供依据。

关键词：水资源调度长短期记忆网络麻雀搜索算法 ssa-lstm模型深度学习黄河

基于ssa-lstm模型的消费者信心指数预测研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

统计理论与实践 2022年第8期 16-22页

作者：李希亮陈亚娟山东工商学院数学与信息科学学院山东烟台264005 山东工商学院统计学院山东烟台264005

消费者信心指数(CCI)是反映居民消费意愿的宏观经济指标,具有非线性时变特征且发布时间存在滞后性。结合相关网络搜索数据,采用Lasso回归进行降维,引入麻雀搜索算法(ssa)对长短期记忆(lstm)神经网络模型进行组合优化,通过构建ssa-lstm... 详细信息

消费者信心指数(CCI)是反映居民消费意愿的宏观经济指标,具有非线性时变特征且发布时间存在滞后性。结合相关网络搜索数据,采用Lasso回归进行降维,引入麻雀搜索算法(ssa)对长短期记忆(lstm)神经网络模型进行组合优化,通过构建ssa-lstm模型对我国CCI进行一年期的预测,并基于预测性能评价指标与lstm模型进行对比分析。研究表明:构建的ssa-lstm模型预测效果和预测精度显著优于lstm基准模型且转折点预测能力强;同时,结合网络搜索数据对CCI进行预测时效性强,预测值比官方发布数据领先半个月左右,能够及时为宏观经济决策和相关政策制定提供有价值的参考。

关键词：消费者信心指数 Lasso回归 ssa算法 ssa-lstm模型

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

面向短期电力负荷预测的机器学习模型研究

面向短期电力负荷预测的机器学习模型研究

作者：赵婧宇河北工业大学

学位级别：硕士

短期电力负荷预测,对于电力系统的安全运行以及电网日常规划的制订都起着非常重要的作用。构建合理的预测模型是获取准确预测值的基础。机器学习模型用于短期电力负荷预测时通常会面临如下问题:电力负荷序列是一种时间序列,具有非平稳... 详细信息

短期电力负荷预测,对于电力系统的安全运行以及电网日常规划的制订都起着非常重要的作用。构建合理的预测模型是获取准确预测值的基础。机器学习模型用于短期电力负荷预测时通常会面临如下问题:电力负荷序列是一种时间序列,具有非平稳性等特点,对其产生影响的因素较为复杂,因此在模型参数选取上存在一定的困难。当预测模型的输入时间序列较长时会增大训练规模,使得模型的训练时长大幅增加。能否充分挖掘历史序列中的隐藏信息与能否全面分析相关因素对电力负荷的影响,都会对模型的预测精度产生影响。突发事件等不确定因素会对用电量产生影响,将其引入点预测模型会使预测精度下降,但是在备用电发电与应对突发状况时又必须将其考虑进去。针对上述问题,本文提出两种点预测模型和一种区间预测方法。论文主要的研究内容如下:(1)基于ssa-lstm模型的单日电力负荷预测长短期记忆神经网络(Long Short-Term Memory,lstm)在时序预测领域的应用较为广泛,但是在模型构建过程中往往都是人为调参,其参数选取随机性大且选取困难。因此,提出一种利用麻雀搜索算法(Sparrow Search Algorithm,ssa)优化lstm参数,进而构建出一种新的ssa-lstm模型,并将其用于短期电力负荷预测。首先,对历史用电负荷序列以及影响因素进行预处理,构建输入向量。然后将其输入ssa-lstm模型,并借助ssa算法对lstm参数进行寻优,使输入向量与网络结构更好地匹配。最后实验表明,本文所提ssa-lstm模型具有有效性,并与误差反向传播神经网络(Back Propagation Neural Network,BPNN)模型、传统lstm模型、PSO-BP模型、PSO-lstm模型和ssa-BP模型相比在预测误差上降低了7.43～188.42 MW,且将预测精度误差降低到了2%以内。(2)基于BCLA组合模型的短期电力负荷预测当输入电力负荷序列较长时,ssa-lstm模型的训练时长也会随之增加。对序列特征提取与影响因素分析的不全面都会影响预测精度。因此提出一种Bi lstm-CNN-lstm-Attention(BCLA)组合预测模型,通过双向长短期记忆神经网络(Bidirectional Long Short-Term Memory,Bi lstm)与卷积神经网络(Convolutional Neural Network,CNN)完成对输入数据特征的充分提取,然后将其输入到lstm网络中并结合注意力机制(Attention)进行预测。实验表明相比于ssa-lstm模型,BCLA组合模型能够有效节约训练时间,并且与CNN-lstm、CNN-Bi lstm、Attention-Bi lstm和Attention-Bi lstm-lstm等组合模型相比,BCLA组合模型在日预测与周预测时将预测精度分别提高了23%～33%和1.46～35.14%,并将最小预测精度误差降低到了0.94%。(3)基于Attention-TCN模型的短期电力负荷区间预测由于突发因素具有偶然性,将其引入点预测模型的构建中会使得模型的预测精度大幅降低。但是,突发因素对用电量产生的影响又不可避免,区间预测是一种有效削弱不确定因素对用电量产生影响的手段。因此本文基于ssa算法优化区间比例系数,进而提出一种Attention-TCN(Attention Temporal Convolutional Network)点预测模型,并以其点预测结果作为区间构造的依据进行区间预测。预测实验中分别基于TCN模型与Attention-TCN模型进行了点预测实验,又基于Attention-TCN模型的点预测结果分别对不同置信区间下的区间预测指标进行分析,结果表明Attention-TCN模型相较于TCN模型的预测精度提升了40%左右,且在置信水平为95%时预测区间对预测值的覆盖率能达到100%。

关键词：短期电力负荷预测 ssa-lstm模型 BCLA组合预测模型 Attention-TCN模型注意力机制区间预测

新冠疫情期间山西省流行性感冒的预测效果研究

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

现代预防医学 2023年第4期50卷 724-729+768页

作者：赵执扬翟梦梦李国华高雪峰王旭春任浩崔宇乔宇超任家辉仇丽霞山西医科大学公共卫生学院卫生统计学教研室山西省疾病预防控制中心

目的为解决新型冠状病毒肺炎期间流感异常发病率而导致的流感建模预测困难，本研究建立了季节性自回归求和移动平均(seasonal autoregressive integrated moving average, SARIMA)、长短期记忆神经网络(long-Short Term Memory, lstm)... 详细信息

目的为解决新型冠状病毒肺炎期间流感异常发病率而导致的流感建模预测困难，本研究建立了季节性自回归求和移动平均(seasonal autoregressive integrated moving average, SARIMA)、长短期记忆神经网络(long-Short Term Memory, lstm)模型以及基于奇异谱分析(Singular spectrum analysis, ssa)的ssa-lstm模型，为新冠疫情期间山西省流感的高精度预测提供有效的科学依据。方法收集2014年第14周至2021年第13周山西省流感共7年的周度流感监测数据，利用时间序列分解(Seasonal and Trend decomposition using Loess, STL)分析其季节特征。以2014年第14周至2020年第13周的流感样就诊比(the ratio of influenza-like illness, ILI%)作为训练集分别建立SARIMA、lstm、ssa-lstm模型，以2020年第14周至2021年第13周(新冠疫情期间)的ILI%作为测试集，比较三种模型的拟合、预测性能，确定最佳模型。结果受新冠疫情的影响，山西省流感自2020年初变化复杂，ILI%出现了明显的下降。ssa-lstm的均方误差(Mean Squared Error, MSE)、平均绝对误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Squared Error, RMSE)在拟合、预测结果中均达到了最小。结论 ssa-lstm模型对新冠肺炎疫情期间山西省异常下降的流感发病率进行预测更加精准，为流感有效防控提供一定的参考，也为疫情期间其他传染病异常发病率的预测提供了方法学上的参照。

关键词：流感新型冠状病毒肺炎 SARIMA模型 lstm模型 ssa-lstm模型预测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于网络搜索数据的消费者信心指数预测研究

基于网络搜索数据的消费者信心指数预测研究

作者：陈亚娟山东工商学院

学位级别：硕士

2011～2019年消费对我国经济增长的贡献率始终在50%以上,稳步成为经济增长的首要驱动力。受到新冠疫情的冲击,我国2020年第一季度GDP同比下降6.8%,为此各地政府出台多项政策以提振消费者信心,促进消费持续稳步增长。消费者信心指数(CCI... 详细信息

2011～2019年消费对我国经济增长的贡献率始终在50%以上,稳步成为经济增长的首要驱动力。受到新冠疫情的冲击,我国2020年第一季度GDP同比下降6.8%,为此各地政府出台多项政策以提振消费者信心,促进消费持续稳步增长。消费者信心指数(CCI)是反映消费者信心强弱和消费意愿的经济指标,对消费趋势和经济发展形势的预测预警有着重要作用。当前CCI发布不及时,相关预测研究的准确性和稳定性难保证,如何及时准确地预测CCI,提前了解消费者信心的变动趋势是值得关注和研究的问题。对此本文采用时间上具有领先性的网络搜索数据,运用不同的降维方法筛选预测变量,减少冗余特征,引入优化算法构建预测模型,以期提高预测结果的时效性、精确度和稳定性。首先,本文从定性角度分析网络搜索行为和消费者信心的内在联系,构建理论框架,根据CCI构成原则,结合相关文献从经济形势、生活状况、物价水平、就业、投资和购房六个方面选取网络搜索数据。其次,对选取的网络搜索数据进行定量分析,通过数据预处理以降低不确定因素的干扰,使用Pearson相关分析和时差相关分析剔除噪声较大数据的影响,筛选出相关性较强且变动领先的关键词。然后,采用Lasso算法、逐步回归和主成分分析三种降维方法从不同角度分别对关键词进行降维分析,获取预测变量。最后,先将不同降维方法选取的预测变量带入构建的lstm和SVR预测模型,对预测结果进行对比分析;然后引入ssa算法构建ssa-lstm和ssa-SVR预测模型,使用最优降维方法选取的预测变量进行预测,对引入ssa算法前后的预测效果和预测精度进行对比分析;再对预测模型进行稳定性分析,采用最优预测模型往后进行三期预测,获得CCI月度数据预测值,将其和实际值进行对比分析。研究结果表明:(1)网络搜索数据与CCI具有显著的相关性,使用网络搜索数据对CCI进行预测研究具有领先性、低成本等优势。(2)在同一预测模型中,采用不同降维方法获得的预测变量的预测效果具有显著差异,使用合成指标的预测结果优于单一的关键词作为预测变量的预测结果。(3)与基准模型相比,引入ssa算法构建的ssa-lstm模型和ssa-SVR模型的预测精度、预测效果和稳定性均显著提高,且ssa-lstm模型的预测性能显著优于其他三种模型,转折点预测能力更强,具有较强的稳定性。(4)使用网络搜索数据构建ssa-lstm模型对CCI进行预测,不仅能提高预测精度还能提高预测的时效性,预测值比官方发布数据领先一个月。

关键词：消费者信心指数网络搜索数据降维分析 ssa ssa-lstm模型