检索结果-南通市图书馆

基于timegan-LSTM的无人机GPS欺骗干扰检测模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

电子测量与仪器学报 2023年第6期37卷 122-135页

作者：王路阳孙一宸于明鑫李天放董明利北京信息科技大学仪器科学与光电工程学院北京100192

针对无人机易受GPS欺骗干扰的问题,提出一种基于长短时记忆法(LSTM)的无人机全球定位系统(GPS)欺骗干扰检测模型。为了提高模型训练精度,首先利用时序生成对抗网络(timegan)对训练数据集进行了数据增强工作,弥补了训练数据量的不足,还... 详细信息

针对无人机易受GPS欺骗干扰的问题,提出一种基于长短时记忆法(LSTM)的无人机全球定位系统(GPS)欺骗干扰检测模型。为了提高模型训练精度,首先利用时序生成对抗网络(timegan)对训练数据集进行了数据增强工作,弥补了训练数据量的不足,还对比了增强数据集与原始数据集的性能差距。然后搭建了LSTM模型,在仿真实验下timegan+LSTM模型获得的准确率、精确率、召回率和F1值分别为98.08%、98.55%、98.07%和98.31%。最后与传统机器学习模型进行比较,对比结果证明,提出的欺骗干扰检测模型拥有更好的性能指标。该模型可实现对无人机GPS欺骗干扰信号的有效检测。

关键词：无人机 GPS欺骗干扰检测深度学习 timegan LSTM

维普期刊数据库

基于timegan-LSTM的月径流预测模型

在线全文

学校读者我要写书评

暂无评论

水电能源科学 2024年第11期42卷 12-15页

作者：苗磊刘杨田童晖张志强韩会明陕西水环境工程勘测设计研究院陕西西安710018 华中科技大学土木与水利工程学院湖北武汉430074 江西省水利科学院江西南昌230029

准确的月径流预测对于水资源管理和配置具有重要意义,针对月径流样本数据不足导致预测精度较低的问题,提出了基于timegan-LSTM的月径流预测模型。以无定河流域为研究区域,收集了6个气象站和4个水文站的数据资料,首先基于长短期记忆网络(... 详细信息

准确的月径流预测对于水资源管理和配置具有重要意义,针对月径流样本数据不足导致预测精度较低的问题,提出了基于timegan-LSTM的月径流预测模型。以无定河流域为研究区域,收集了6个气象站和4个水文站的数据资料,首先基于长短期记忆网络(LSTM)进行了4个站点的月径流预测,然后采用timegan模型生成了月径流及其对应的月平均气温和降水数据,利用生成数据扩充了训练集并进行了基于timegan-LSTM模型的训练和预测。研究结果表明,基于timegan模型的生成数据与实测数据在分布上具有一定相似性;相较于LSTM,timegan-LSTM模型预测结果的纳什效率系数平均增加了16.67%,平均绝对百分比误差降低了40.42%。该方法可有效提升月径流预测精度,为水资源管理决策提供技术支撑。

关键词：月径流预测无定河流域 timegan LSTM

维普期刊数据库

基于timegan和CNN-BiLSTM-Attention的大坝变形预测混合模型

在线全文

学校读者我要写书评

暂无评论

人民黄河 2024年第12期46卷 127-130,143页

作者：原佳帆李丹杨李佳霖秦学毛鹏贵州大学大数据与信息工程学院贵州贵阳550000 中国电建集团贵阳勘测设计研究院有限公司贵州贵阳550000

基于历史数据的深度学习模型往往需要跨越数年的大量数据集,为了解决数据不足问题,提出一种将时间序列生成对抗性网络(timegan)与CNN-BiLSTM-Attention相结合的混凝土面板堆石坝变形预测混合模型。首先,利用timegan生成虚拟数据来扩展... 详细信息

基于历史数据的深度学习模型往往需要跨越数年的大量数据集,为了解决数据不足问题,提出一种将时间序列生成对抗性网络(timegan)与CNN-BiLSTM-Attention相结合的混凝土面板堆石坝变形预测混合模型。首先,利用timegan生成虚拟数据来扩展稀疏的数据集;然后,利用卷积神经网络(CNN)提取大坝传感器数据中的非线性局部特征,运用BiLSTM捕获双向时间序列特征;最后,引入注意力(Attention)机制对BiLSTM层提取的信息特征自动进行权重分配,通过全连接层输出最终预测结果。以贵州省毕节市某混凝土面板堆石坝为例,验证该混合模型的适用性。建立长短期记忆网络(LSTM)、CNN-LSTM、CNN-LSTM-Attention、CNN-BiLSTM-Attention 4种基模型,再分别引入timegan,对比各模型的预测精度。结果表明:基于timegan和CNN-BiLSTM-Attention的混合模型的拟合效果明显优于其他模型,其预测值与监测值最接近。相较于传统单一LSTM模型,混合模型的EMS、ERMS、EMA分别降低了71%、49%、45%,R2提升了20%。

关键词： timegan CNN BiLSTM Attention 混凝土面板堆石坝变形预测

Synthetic demand data generation for individual electricity consumers :Generative Adversarial Networks (GANs)

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

Energy and AI 2022年第3期9卷 37-50页

作者： Bilgi Yilmaz Ralf Korn TU Kaiserslautern KaiserslauternGermany Kahramanmaras Sutcu Imam University KahramanmarasTurkey Fraunhofer ITWM KaiserslauternGermany

Load modeling is one of the crucial tasks for improving smart grids’ energy efficiency. Among manyalternatives, machine learning-based load models have become popular in applications and have shownoutstanding performance in recent years. The performance of these models highly relies on data quality andquantity available for training. However, gathering a sufficient amount of high-quality data is time-consumingand extremely expensive. In the last decade, Generative Adversarial Networks (GANs) have demonstrated theirpotential to solve the data shortage problem by generating synthetic data by learning from recorded/empiricaldata. Educated synthetic datasets can reduce prediction error of electricity consumption when combined withempirical data. Further, they can be used to enhance risk management calculations. Therefore, we proposeRCGAN, timegan, CWGAN, and RCWGAN which take individual electricity consumption data as input toprovide synthetic data in this study. Our work focuses on one dimensional times series, and numericalexperiments on an empirical dataset show that GANs are indeed able to generate synthetic data with realisticappearance.

关键词： Electricity consumption Generative adversarial networks Synthetic data generation Unsupervised learning RCGAN timegan CWGAN RCWGAN

基于Stacking多模型融合的极端天气短期风电功率预测方法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

高电压技术 2024年第9期50卷 3871-3882页

作者：郑颖颖李鑫陈延旭赵永宁中国农业大学信息与电气工程学院北京100083

为了解决极端天气下样本稀缺和单一模型预测精度不高的问题,提出一种基于Stacking多模型融合的极端天气短期风电功率预测方法。首先,提取极端事件的原始数据,通过考虑格兰杰因果的最大相关-最小冗余(maximal relevance minimal redundan... 详细信息

为了解决极端天气下样本稀缺和单一模型预测精度不高的问题,提出一种基于Stacking多模型融合的极端天气短期风电功率预测方法。首先,提取极端事件的原始数据,通过考虑格兰杰因果的最大相关-最小冗余(maximal relevance minimal redundancy, mRMR)特征选择策略降低数据特征冗余和复杂性;其次,针对极端天气数据稀缺的问题,采用捕捉数据时间动态特性的时间序列生成对抗网络(time-seriesgenerativeadversarialnetwork,timegan)算法进行扩充;最后,考虑到各单一模型的差异性及优势性,构建以卷积神经网络、长短期记忆网络、极端梯度提升树、K最近邻算法、支持向量机为基学习器,以轻量梯度提升机为元学习器的Stacking集成模型对未来3d的风电功率进行预测。实验结果表明,所提方法能够有效提升极端天气下的短期风电功率预测精度,与其他预测模型相比,其归一化平均绝对误差和均方根误差分别改善了2.48%和3.47%。

关键词：风电功率预测数据扩充 m RMR特征选择 Stacking集成学习 timegan 极端天气

维普期刊数据库博看期刊

面向电力市场用户侧的中长期电力负荷预测研究

在线全文

学校读者我要写书评

暂无评论

面向电力市场用户侧的中长期电力负荷预测研究

作者：李涛重庆理工大学

学位级别：硕士

随着我国社会和经济的发展,电力市场化改革全面落地实施,“放开两头,管住中间”的发展格局日益清晰,全国电力市场交易体系基本形成,电力市场开放力度持续放大。用户侧中长期电力负荷预测是电力市场化运行的重要基础,提升面向用户侧的中... 详细信息

随着我国社会和经济的发展,电力市场化改革全面落地实施,“放开两头,管住中间”的发展格局日益清晰,全国电力市场交易体系基本形成,电力市场开放力度持续放大。用户侧中长期电力负荷预测是电力市场化运行的重要基础,提升面向用户侧的中长期电力负荷预测精度有助于增强企业购电议价能力,降低运营成本。为此,本文针对上述情况展开研究,主要工作包括:（1）针对在目前互联网上公开的企业电力负荷数据集存在较多异常值和缺失值的情况,不利于建立精确的中长期电力负荷预测模型,本文引入时间序列生成对抗网络（Time-series Generative Adversarial Networks,timegan）增强电力负荷数据集。首先探究了经典生成对抗网络（Generative Adversarial Networks,GAN）的算法原理,分析缺点和不足;然后分析了timegan的算法原理,指出该算法在生成时间序列数据方面的优势;最后,设计实验对比timegan与GAN生成的数据,分别使用主成分分析（Principal Component Analysis,PCA）和t-对称随机近邻嵌入（t-Distributed Stochastic Neighbor Embedding,t-SNE）可视化观察生成数据与原始数据的特征分布,并通过Prophet算法分别对原始数据、GAN增强数据和timegan数据建模预测,证明了timegan生成数据的有效性,实现对数据集中异常值的替换和缺失值的填补,达到增强电力负荷数据集的目的。（2）针对当前电力市场交易中主要以中长期交易为主,并需要电力用户提交典型负荷特征给电力调度部门的需求,本文引入NeuralProphet算法在增强电力负荷数据集的基础上建立中长期电力负荷预测模型。NeuralProphet将自回归神经网络（AutoRegressive Neural Network,AR-Net）嵌入Prophet算法,既增强了Prophet算法的非线性拟合能力,又保留了Prophet算法的组件可解释性。NeuralProphet把电力负荷时间序列分解为趋势项（Trend）、季节项（Seasonality）和自回归项（Auto-Regression）等模块,并可视化呈现,其中季节项给出了年、周、日的典型负荷特征。最后设计实验使用均方根误差（Root Mean Square Error,RMSE）和平均绝对百分误差（Mean Absolute Percentage Error,MAPE）评价NeuralProphet、Prophet、LSTM和ARIMA等四个预测模型,证明了NeuralProphet在中长期电力负荷预测上的优越性能,它的RMSE和MAPE分别为532.59k W、6.49%,均是最低值,达到了提升中长期预测精度的目的。

关键词： timegan 数据增强中长期电力负荷电力负荷预测 NeuralProphet

基于TPA-LSTM的股票价格预测与择时策略研究

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

基于TPA-LSTM的股票价格预测与择时策略研究

作者：李浩男中南财经政法大学

学位级别：硕士

近些年,随着传统金融行业和计算机技术结合越加密切,催生出各种金融产品,也使得我国国民对投资的需求逐步升级。数字金融的发展对帮助传统金融行业提高服务水平、提高资金利用率都起着积极作用。随着投资的群体逐渐庞大,影响投资的因素... 详细信息

近些年,随着传统金融行业和计算机技术结合越加密切,催生出各种金融产品,也使得我国国民对投资的需求逐步升级。数字金融的发展对帮助传统金融行业提高服务水平、提高资金利用率都起着积极作用。随着投资的群体逐渐庞大,影响投资的因素也越来越多,新的交易指标和交易策略层出不穷,如何在大体量的交易数据中剔除噪声从而找出潜在逻辑,如何找出能够获得稳定收益的交易策略,一直都是学者们研究的内容。本文将深度学习与神经网络用于时间序列预测,TPA-LSTM神经网络能够捕捉金融数据在时间线上不同特征的相互联系,MIC过滤算法可以识别多种影响因素的作用程度,Time GAN可以通过生成实验数据,帮助投资者验证策略的有效性,将预测结果和择时策略相结合,可以在获取高额收益的同时还能有效规避风险。为此,本文主要进行了以下工作:首先,本文选取了沪深300等指数股在2005年1月1日至2022年12月31日的交易数据作为研究对象,从中提取了35个技术指标作为输入特征,为了提升模型收敛速度,减少学习时间,本文使用MIC过滤算法对特征进行重要性排序,将筛选后的指标作为TPA-LSTM模型的输入,在训练过程中使用循环的方式对模型参数进行优化,训练模型输出第t+1天、t+2天、t+3天的预测结果,同时采用RNN、LSTM、LSTM-ATTENTION、XGBoost算法作为对模型照组,进行预测结果对比,验证TPALSTM的有效性。其次,将预测结果作为数据源训练择时策略,找出最优参数组合,利用择时策略进行辅助交易,当满足交易条件,次日进行买入/卖出。对于择时策略的研究分为六种:双均线策略、MACD策略、KDJ策略、TPA＿均线策略、TPA＿KDJ、TPA＿MACD策略,通过对六种策略进行滚动区间的回测,最终发现,基于TPA-LSTM预测结果的择时策略和基础择时策略相比,不仅在收益上有所提升,还可以规避一定的风险。本文还使用了时间序列生成对抗网络Time GAN用于模仿沪深300指数股的走势,生成与之相似分布的交易数据,帮助投资者验证择时策略的有效性。最后,通过实验结果显示,使用预测结果构建的择时策略在2017年至2022年的交易中相较于基础策略,年化收益率提升了6.9%,夏普率提升了0.53,最大回撤下降了11.17%。因此,在择时策略的基础上引入预测结果能够有效提升收益率,并且提升抗风险能力。由此得出结论,TPA-LSTM能够有效提取LSTM隐藏层中不同时间步长之间的依赖关系,对预测精度的提升效果显著,将TPA-LSTM预测后的结果加入到择时策略后,相比于普通择时策略能带来更高且更稳定的收益。

关键词： TPA-LSTM 股票预测择时策略 timegan