基于模糊K线的FCLSTM-vSVR模型的股票价格预测

股票市场具有不确定性和非线性等特点,因此准确地预测股票价格对投资者来说是一项重大挑战.现有的股价预测模型较为单一,预测精度不高.针对这一问题,提出一种基于模糊K线的长短期记忆(LSTM)网络和支持向量回归多阶段混合模型(FCLSTM-vSVR).研究第一阶段,基于遗传算法对LSTM网络进行参数寻优,找到时间窗口和隐藏层...     

基于XGBoost和神经网络拟合预测模型的辛烷值损失的预测

汽油清洁化重点是降低汽油中的硫、烯烃含量,同时尽量保持其辛烷值.降低辛烷值(RON)损失是国内车用汽油质量升级的主要目标之一.本文针对某石化企业的催化裂化汽油精制脱硫装置运行收集的数据进行处理,探求数据样本中变量与变量本身、其他自变量及目标变量等之间的相关性,对特征变量进行多阶段降维,进而通过XGBoost和LSTM循...     

基于BP-LSTM组合神经网络模型的汽车车速预测

准确的汽车车速预测对整车能量分配、道路交通管理具有重要意义。针对汽车车速本身具有高度时变性以及单模型预测存在局限性的特点,提出：反向传播神经网络-长短时记忆网络(BP-LSTM)组合神经网络模型,首先利用BP神经网络进行训练,将训练集数据和得到的预测输出、残差输入到Adam算法优化的LSTM神经网络中,用于训练LSTM模型。结合BP网络结构简单、预测时间短、LSTM精度高的优点,通过深度学习框架Tensorflow进行模型的搭建与验证,实现基于BP-LSTM组合神经网络模型的短时车速预测。结果表明：组合神经网络预测效果优于BP、LSTM两种单一模型,预测精度得到改善。     

基于XGBoost和LSTM的智能监控系统研究

本文对基于XGBoost和LSTM的智能监控系统进行研究,阐述了异常检测和趋势预测的实现,将智能监控系统与传统固定阈值报警进行实验对比,并观察数据的真实趋势和预测趋势,研究结果表明本文提出的智能监控系统可以提高异常检测的准确率,趋势预测效果较好。     

基于GRA-LSTM与SARIMA组合模型的季节性时间序列预测

针对LSTM模型对季节性时间序列中的周期、趋势性变化不敏感的特点,提出将SARIMA模型与LSTM模型进行组合,以提高模型预测精度.该方法首先构建了以关键影响因素为非线性输入层和历史数据为线性输入层的多对一 LSTM模型,将经过GRA法筛选的关键影响因素及历史数据输入到该模型中得到初步预测结果,使用SARIMA模型依据...     

基于XGBoost模型的新型冠状病毒(COVID-19)疫情分析与预测

为了对新型冠状病毒(COVID-19)传播趋势实现更加精确的预测,提出了一种COVID-19的智能估算方法。首先利用Matplotlib对COVID-19数据进行可视化分析、提取特征,利用XGBoost建立智能估算方法模型,结合全国、湖北以及其他四个省份的COVID-19数据进行智能估算。实验结果表明,与线性回归、随机森林、SVM、KNN相比,该方法在平均绝对误差、均方根百分比误差和最大估算误差3个技术指标上均优于其他四种回归算法,具有较高的估算精度和泛化能力。     

基于神经网络模型的光伏发电功率预测研究

随着全球环境污染变得日益严重以及能源需求的快速增长,太阳能光伏发电受到天气、大气状况等多种因素的影响,其发电功率具有不确定性,需要准确的预测模型来提高其利用效率。文章采用了长短期记忆网络(Long Short-Term Memory, LSTM)模型来预测太阳能光伏发电功率,将历史气象数据及发电功率数据作为输入变量,将极限学习机(Extreme Learning Machine, ELM)模型作为预测误差对比,证明长短期记忆网络模型能够有效提高预测精度,具有一定的实际指导意义。     

基于时空特征的多模型网络流量短期预测方法

网络流量短期预测由于其波动性大,突发性强,采样随机性高等特点一直是研究人员重点关注的课题之一,其对于网络调度,异常预警等网络规划工作具有重要的指导作用。从网络短期流量的时间周期性和空间关联性入手,对原始短期流量数据进行时空特征维度构造,并使用长短期记忆LSTM和LightGBM决策树对未来不同采样时刻的流量进行预测,最终在多个数据集的实验中达到了良好的预测精度。     

基于XGBoost和LSTM的台风强度预测模型分析

台风是在温带洋面上生成和发展的热带天气系统,引发的次生灾害具有极大的破坏性,准确估算台风强度是台风预报和灾害预警中极为关键的问题。目前,对台风预报还处于探索研究阶段,对其强度预测仍然是台风预报的难点之一。文章基于极端梯度提升(XGBoost)和长短期记忆(LSTM)模型对台风强度进行了分析与预测。实验结果表明,将XGBoost和LSTM组合应用于台风强度的预测是可行的,有较好的应用价值。     

基于LSTM混合模型的时间序列预测

网络流量分析和预测已经成为监控网络的关键。网络预测是捕捉网络流量并对其进行深入研究以决定网络中发生的情况的过程。网络流量的分析和估计的准确性在实现网络服务质量(QoS)的保证方面越来越重要。研究通过将LSTM和ANFIS相结合的形式构建LSTM-ANFI模型,提高网络流量预测性能。实验结果表明,LSTM-ANFI模型在网络流量的预测方面具有一定优势,通过模型对比不难发现该模型优于单一的LSTM和单一的ANFIS模型。就相关指标而言,提出的增强型LSTM R297.95%和增强型ANFIS模型的经验结果是R2=96.78%,适用于蜂窝网络流量数据。     

基于改进XGBoost算法的电力中长期负荷预测

为提高电力中长期负荷预测的精度,提出一种基于改进XGBoost算法的负荷预测方法。首先考虑影响负荷的多种因素,提取特征向量;其次,利用XGBoost方法对特征变量的相关性进行计算和选择;最后,基于特征选择后的负荷数据,构建XGBoost电力中长期负荷预测模型。在某地区真实历史负荷数据集上的实验结果表明,相较于LASSO等传统负荷预测方法,所提出的方法能够显著降低平均绝对误差（Mean Absolute Error,MAE）等多种预测误差指标。相较于原始XGBoost方法,所提方法的MAE值降低了9.35%,平均绝对百分误差（Mean Absolute Percentage Error,MAPE）值降低了8.89%,均方误差（Mean Square Error,MSE）值降低了22.66%,均方根误差（Root Mean Square Error,RMSE）值降低了12.07%,验证了所提方法能够有效提升电力中长期负荷预测精度。     

基于ARIMA-LSTM混合模型对传染病的预测分析

传染病一直是科学研究的热点,利用科学的方法控制传染病的传播对整个国家乃至全世界具有举足轻重的作用。文章选取乙类传染病中新型冠状病毒感染数据作为研究对象,搜集了北京市2022年1月至2022年4月新冠感染累计确诊病例数,构成时间序列,基于自回归移动平均模型（ARIMA）和长短期记忆神经网络（LSTM）的混合模型进行预测分析。结果表明,混合模型的预测结果与实际情况基本一致。     

基于LightGBM模型的中国成人吸烟行为研究

采用2018年世界卫生组织在中国开展的成人烟草调查数据,对成人吸烟行为影响因素进行探究。首先对原始数据做数据清洗,包括剔除无关变量、组合新变量等步骤。其次结合卡方检验、方差分析以及最大互信息数对处理后的数据集进行特征选择。再次基于XGBoost、LightGBM算法进行建模,对影响成人吸烟行为的因素进行排序和分析。最后基于表现较好的LightGBM模型进行变量组合建模,进一步挖掘吸烟者特征。经建模分析,识别得出成人性别、烟草环境、增税态度、低焦油烟认知、学历、年龄重要性由强至弱对吸烟行为产生影响。     

一种基于LSTM与IRI模型的电离层层析TEC组合预测方法

电离层总电子含量（total electron content, TEC）作为评估无线电波穿过电离层时产生误差的主要物理量,对其准确的估算以及预测具有重要的研究意义.本文结合电离层层析算法反演重构的TEC数据,提出一种基于长短期记忆（long short-term memory, LSTM）与国际参考电离层（international reference ionosphere,IRI）模型的组合预测模型,实现了对欧洲上空平静态电离层的TEC预测,并与IRI梯度法、LSTM网络预测结果进行对比.实验结果表明：IRI梯度法提前1 h能够产生理想的预测结果,提前2 h与3 h的预测精度明显下降;LSTM模型在提前2 d的预测结果表现良好,但随着迭代预测时长的增加预测结果中出现较多异常值.统计误差显示,本文所提出的组合预测模型相比于IRI梯度法预测性能更为稳定,对单一LSTM模型修正效果明显,消除了预测结果中大部分异常值,有效提高了单一模型的预测精度.组合预测模型与实际层析TEC之间的预测均方根误差(root mean squared error, RMSE)为1.1 TECU,与欧洲定轨中心...     

基于时空特征的无线网络流量预测方法

无线网络流量分布具有空间上和时间上的特征,针对传统预测方法对流量分布空间特征的利用不足问题,提出三维卷积神经网络(3D-CNN)和长短期记忆网络(LSTM)相结合的无线网络流量预测模型。首先通过3D-CNN挖掘流量数据的局部时空关联性,并利用空间注意力机制完善全局空间关联的提取;然后使用LSTM模型对抽象时空特征进行训练,并加入了注意力机制缓解循环神经网络的遗忘现象带来的信息损耗。运用此方法对"意大利电信大数据挑战赛"的公开数据集进行训练,其均方根误差(RMSE)和平均绝对误差(MAE)分别降至5.17和3.32,明显优于其他对比预测模型。     

基于XGBoost的企业倒闭风险预测

企业经营风险预测对于判断企业的经营状况,指导企业的进一步行为具有实际意义。然而,对于大量的小微型企业来说,一般很难获得这些企业的真实财务信息,也缺乏全面的信用信息供参考。文章以企业主体在多方面留下的行为足迹信息构建训练集,基于不同的足迹行为数据分别使用eXtreme Gradient Boosting(XGBoost)算法构建预测模型,并使用线性加权融合多个模型,以企业在未来两年是否会退出市场为目标变量进行预测。结果表明,在现有数据的基础上,该模型可以有效预测企业的经营风险,相比于传统的方法,精度更高。     

基于Attention模型的法律文书生成研究

法律文书的自动生成可以有效缓解法律服务行业中人力资源不足的问题,让用户足不出户就可方便享受到法律咨询服务。适用于法律文书的自动生成技术的研究,在减轻法律工作者文书工作上和普通人叙述法律案件时更规范地描述法律内容具有重要的现实意义。文章提出一种筛选案件要素信息,在Encoder-Decoder模型中加入注意力机制的Attention模型,最终生成合格的法律文书。实验表明,该模型优化了LSTM模型对长文本的记忆效果,能够较好地完成生成法律文书任务。