基于多源数据特征驱动和多尺度分析的PM2.5混合预测研究

精准把握PM_2.5污染的动态演变规律对政府和企业的大气污染防治决策至关重要.因此,文章提出了基于多源数据特征驱动及多尺度分析的混合预测建模框架,以提高PM_2.5预测精度.预测建模框架分为:1)多源数据分析,有效融合与PM_2.5污染相关的气象、污染、舆情等多源数据;2)多尺度分析,通过多元经验模态分解技术(MEMD)将多源数据分解成不同模态下的预测特征;3)混合预测分析,有序结合计量和机器学习模型,集成各模态预测值为最终结果.文章以北京市PM_2.5为研究案例结果表明:1)文章提出的混合模型的预测精度优于所有的基准模型;2)微博个数和情感能够叠加提升PM_2.5预测精度,且优于单因素预测结果;3)引入MEMD分解的模型精度显著高于基准模型.     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。     

LSTM的季节性注意力及在文本情感分类中的应用

长短期记忆网络(LSTM)在序列建模中存在梯度消失的情况,其降低了模型在时序预测任务尤其是中长期多步预测中的精度,同时降低了模型对于序列上下文中关键信息的注意力.梯度消失的根本原因在于LSTM的门控记忆机制对在循环层反向传播的梯度失去控制,故考虑对循环层的门控单元结构进行调整,并专门对于含有特定成分(如季节成分)的序列进行训练使改进后LSTM模型在序列预测任务中具备针对季节性成分的注意力.文章研究在LSTM模型的基础上采用将已有的单支路的遗忘门调整为具有双支路的季节门,并引入输入序列的极差作为划分支路的选通器的方法,改进得到季节型LSTM (S-SLTM).经实验,在英文电影评论IMDB的文本二分类情感分析中,单层的S-LSTM较单层LSTM的预测准确率提升了9.8%.     

基于XGBoost-LSTM模型的多特征股票价格预测研究

为探寻股票价格规律,提出XGBoost与LSTM组合的股票价格预测模型,选取恒瑞医疗股票2000年10月18日上市至2022年9月1日所有交易日的交易数据为实证分析对象.首先,建立单特征与多特征LSTM模型分别对股票价格进行预测;其次,构建XGBoost模型以进一步实现预测并将预测结果作为新变量输入到多特征LSTM模型;然后,使用LSTM模型在新数据集上进行建模;最后,对比分析表明多特征LSTM模型预测效果优于单特征预测,XGBoost-LSTM预测模型效果优于多特征LSTM预测,说明本文提出的方法能进一步提升预测效果,对投资者有一定参考价值.     

基于时空注意力机制的双向长短期记忆神经网络的股指预测研究

股票市场是一个高噪音的混沌系统，其外部属性之间的相关性问题以及在长期预测时外部影响对股价波动的加剧，导致对股票市场进行准确预测是一项富有挑战性的工作。为解决上述问题，本文利用基于注意力机制的双向长短期记忆神经网络(BiLSTM)对香港恒生指数收盘价进行有效性的实证检验。其中，空间注意力机制用于捕捉输入指标之间的相关性并为其赋予区别权重，时间注意力机制用于描述数据的时间相关性以解决长期预测中的时间依赖问题并为时间步赋予区别权重，BiLSTM神经网络用于拟合数据并构建预测模型。本文还比较了四种基于注意力机制的神经网络方法和六种基线方法，实验结果表明，与当下流行的股票指数预测方法相比，基于双维度注意力机制的BiLSTM可以在短、中、长期预测中均实现更准确的股票指数收盘价预测。     

基于PSOGSA-LSTM模型的长江经济带空气质量指数预测研究

本文以长江经济带100个地级及以上城市的空气质量指数(AQI)为研究对象,选取了六大污染物和11个影响空气质量指数的气象因子作为影响因素。针对空气质量相关数据的特性,将粒子群算法和万有引力算法结合的混合算法(PSOGSA)与长短期记忆(LSTM)神经网络进行组合,建立PSOGSA-LSTM组合预测模型,对模型的预测精度进行了三个方面的检验,并与传统的LSTM模型的预测结果进行比较,最后将其应用于长江经济带100个城市未来7天的空气质量指数预测。研究结果表明,PSOGSA-LSTM模型相比传统的LSTM模型具有更高的预测精度和较强的稳定性。     

基于ARIMA-LSTM组合模型的原油产量时序预测研究

针对现阶段油田产量预测中所出现的一些预测效果不理想的问题,开展了对全国原油产量的时序预测研究.针对全国原油2011-2020年产量所呈现出来的特点,采用一种基于时间序列自回归移动平均模型(ARIMA)结合长短期记忆网络(LSTM)组合模型的预测方法.首先,运用时间序列ARIMA模型的建模思想,对全国原油产量进行初步预测,再通过LSTM训练拟合残差并进行预测.最后将LSTM的预测结果补偿到初步预测结果中,得到组合预测值.组合模型预测结果显示,预测结果比较可靠,对预估原油产量具有一定的参考价值.     

基于物理经验模型约束的机器学习方法在页岩油产量预测中的应用

页岩油气产量预测是确定其开发经济性的重要手段,目前的产量预测研究很少能在物理模型与数据挖掘方法之间达到统一.针对页岩油气的产量分析,本研究深入结合误差反向传递（BP）神经网络和长短期记忆（LSTM）神经网络的数学方法优势,综合考虑工程经验模型的约束,改善了模型预测精度,经过实例数据训练后可较好地预测油田产量,并研究了页岩储层深度、总有机碳含量（TOC）、脆性度等油田参数对产量预测的影响规律.这项工作可以为页岩油气规模化开发提供可靠的产量预测和经济评价.     

中央与地方政府PM2.5治理策略分析

本文以京津冀雾霾治理为例,综合考虑了PM_2.5在地区间的非对称性跨界传输影响、PM_2.5治理对民众、企业、政府带来的协同效应。从中央与地方政府视角对比分析了减排指标约束下利益各方的PM_2.5治理策略偏好。研究表明:由于跨界传输因子的影响,合作与非合作时污染物的去除量不一定相等。当各地合作与非合作污染物去除量相等时,合作与非合作成本无差异;否则,合作成本优于非合作,而合作成本的降低源于总体减排量减少。如果跨界传输因子增大或减小,合作与非合作治理的成本差距相应地会增加或减小,各地方政府合作治理意愿会逐渐增大或减小;而中央政府可能更希望地方政府在完成减排指标时能尽可能多减排,因此倾向于地方政府采取非合作治理。减排指标设置时应考虑合作与非合作时收益差异,以及各地经济发展水平等因素的影响。     

基于新型核与灰度序列的时滞GM(1,N)模型及其应用

为了解决GM(1,N)模型在新型核与灰度的基础上,对驱动项的延迟作用机理不明确的问题,将时滞参数引入到GM(1,N)模型的驱动项中,构建了基于新型核与灰度的时滞GM(1,N)模型,分析了时滞参数的辨识方法,讨论了新模型的建模机理。为了更好地对该模型的有效性进行验证,将优化的时滞GM(1,N)模型对南京市的雾霾进行预测分析,选择GM(1,N)模型、一元回归模型与文中的优化模型进行对比。结果显示,优化模型对PM₁₀浓度的拟合精度更高,且误差均控制在5%之内,从而验证了提出的优化模型适用于具有时滞特征数据的模拟和预测。     

基于深度学习LSTM对交通流状态的预测

当今道路交通状态对城市管理和人们出行愈加重要,影响着人类生活的方方面面.以深圳交通为研究对象,由基础车辆数据和道路坐标构建了路网系统,从车辆速度和密度两个方面导出了交通流状态评价指数TSI.利用深度学习长短期记忆神经网络(LSTM)对车辆速度和密度两个指标进行预测,并通过对比极限学习机(ELM),时间序列(ARMA)和BP神经网络,进行仿真实验,结果表明相对于传统预测模型,所采用的LSTM网络具有更优的预测精确度和对远期预测的稳定性.最后利用预测结果计算出更能直观反映出道路交通拥堵情况的TSI指数,为人们提供了准确的交通状态预测.     

自适应神经模糊推理系统在交通污染物浓度预测中的应用

城市交通带来的废气排放已经成为城市大气污染的主要来源之一。交通污染问题的成因和机理较为复杂,变化规律具有较强非线性和周期性特征。将自适应神经模糊推理系统(adaptive neuro fuzzy inference system,ANFIS)应用于交通污染物浓度时序数据预测时呈现出良好的泛化能力。本文以长沙市CO小时浓度数据为研究目标,通过分析CO浓度时序数据的自相关性、偏自相关性,以及交通流对CO浓度的时滞性影响,确定ANFIS预测模型的输入变量。结果表明,相较于传统的时间序列预测模型以及机器学习模型,ANFIS模型预测结果具有更高的精度,能够对交通环境污染进行预测及预警,为防止城市灾害性大气污染事件发生奠定理论研究基础并提供有效决策支持。     

长短时记忆神经网络模型在空气污染预测中的研究

基于K均值(K-Means)聚类算法进行聚类分析,将气象条件分为三类,并且分析和阐述各类气象条件的特征.针对气象监测数据和空气污染物的时间序列特点,设计基于长短时记忆(LSTM)神经网络的空气污染预测模型.将时空相关性与长短时记忆神经网络算法进行有效的融合,提出基于时空相关性的长短时记忆(SK-LSTM)神经网络的空气污染预测模型.通过空间划分,空间聚集以及空间插值,获得目标区域和周围区域的历史空气质量检测数据和历史气象监测数据,然后通过等权融合方法将时间数据和空间数据进行融合,并将其作为SK-LSTM神经网络算法的输入,最终输出的结果为带有区域协调的污染物浓度预测值.该算法能有效对空气中污染物的浓度进行更准确、高效的预测.最后通过数值仿真验证所提算法的有效性.     

小波神经网络模型预测二氧化碳+水溶液体系界面张力

二氧化碳+水溶液体系界面张力(IFT)是影响地层中气水两相运移特性的重要参数之一,对二氧化碳捕集、埋存至关重要.为了快速准确地确定二氧化碳+水溶液体系IFT,对已有IFT实验结果进行了统计整理,得到了1 677组样本数据,考虑了压力,温度,气体中甲烷、氮气含量,水溶液中一价阳离子(Na+,K+)浓度、二价阳离子(Ca2+,Mg2+)浓度6个因素对IFT的影响,建立了小波神经网络（WNN）预测模型对二氧化碳+水溶液体系IFT进行预测.模拟结果表明,随机选取839组数据作为训练集样本,得到的小波神经网络结构为6-16-1,该模型预测IFT的平均绝对误差(M_MAE)、平均相对误差(M_MARE)、方差(M_MSE)和相关度(R2)分别为1.23 mN/m,3.30%,2.30 mN2/m2,0.988.与最新提出的多元拟合模型和BP神经网络模型对比结果表明,小波神经网络模型预测精度最高.     

淮安市PM2.5的分布特征与灰色预测模型

研究对象是淮安市主要大气污染物中PM2.5在2013-2016年间的观测数据,从两个方面对PM2.5的浓度进行了研究.一方面,利用非参数假设检验中的卡方拟合检验与W检验等方法研究了PM2.5浓度的分布特征.研究发现,污染物PM2.5的日均浓度服从对数正态分布、月均浓度服从正态分布.另一方面,建立了PM2.5年均浓度的精度为一级可用于长期预测的GM(1,1)预测模型,利用预测模型对未来五年中PM2.5的浓度水平进行了预测.     

基于LSTM-GA混合模型的患者预约排队策略优化

在医疗运作管理领域,合理的资源分配能够帮助更多的患者尽早就医,降低患者病情恶化和死亡的风险。本文设计了预约排队策略对患者占有资源的顺序进行分配,建立了基于长短时记忆(Long Short Term-Memory, LSTM)神经网络和遗传算法(Genetic Algorithm, GA)的混合模型以优化排队策略。首先利用大数据和深度学习分析患者到达和医院服务情况,建立LSTM神经网络学习数据特征并预测未来数据,相比于排队论常用的随机分布方法取得了更好的效果.其次设计了基于排队系统仿真的排队策略优化算法,利用改进GA得到最优排队策略。实证研究表明,文本的方法可以明显降低患者的等待时间,最高可达59%。最后对排队策略进行敏感性分析,结果表明排队策略有效作用于仿真的各个时段。     

基于时间序列的混合神经网络数据融合算法

针对传统的数据融合算法对高噪声、大规模、数据结构复杂的时间序列数据融合性能较差的问题,该文提出了一种混合神经网络的数据融合算法(即SCLG算法).SCLG算法的思想如下:首先利用奇异谱分析算法对数据分解重构以达到去噪的目的;其次,通过深层卷积神经网络提取数据的空间特征和短期时间特征;然后,利用长短期记忆(LSTM)网络...     

结合长短时记忆网络和宽度学习的股票预测新模型研究

长短时记忆网络(LSTM)近年来广泛应用于股票预测中，其结构特点易陷入局部最优，从而影响预测精度。借鉴宽度学习系统(BLS)在时间序列预测上良好的逼近能力，本文尝试宽度学习与深度学习相结合。进一步地，针对股票序列不平稳特点，引入互补集成经验模态分解(CEEMD)进行降噪处理，提出CEEMD-LSTM-BLS(C-L-B)股票预测模型。选取农林牧渔行业股票价格，对新提出的模型进行实证研究。通过与基线模型、现有股票预测模型对比，证明了新模型在多个精度指标上都有明显提升。特别地，通过分别将C-L-B模型与不融入BLS的CEEMD-LSTM模型，对CEEMD分解后的分量预测结果进行对比发现：LSTM模型预测存在一定的误差，且越是拐点处，越是高频波动，预测误差越明显。而C-L-B模型中的BLS模块能够解决这类问题。当数据出现较大波动时，本文提出的新模型与现有模型相比，可以很好的解决拟合差、时滞等问题。     

改进LSTM网络对于时间有效性经济指标预测模型的研究

针对经济指标的预测,尤其是关于时间有效性的预测,具有重要的现实意义.通过筛选,得到对于起经济预测影响较高的指标.基于LSTM网络模型,对LSTM模型的初始权重及阈值进行了优化,提升了模型的经济预测效果.结合不同类型的灰度模型算法,重点体现时间有效性,进而构建新的组合灰度改进-BA-LSTM网络模型,将其用于经济指标的预测.利用其他三种不同的灰度模型和组合灰度模型分别结合效果更稳定的改进BA-LSTM模型对经济指标进行预测,实验结果证明,对比其他的经济预测模型,模型的精度更高,预测结果更准确,可以有效用于CPI和GDP等数据的预测,预测结果满足时间有效性要求,证明该模型的实用价值.     

An Electrocardiogram Signal Classification Algorithm Based on Improved Deep Residual Shrinkage Networks北大核心CSCD

心电信号分类是医疗保健领域的重要研究内容.针对大多数方法不能很好地降低样本数量少的类别漏诊率,以及降低预处理操作的复杂性问题,提出了一种基于改进深度残差收缩网络(IDRSN)的心电信号分类算法(即DRSL算法).首先,使用合成少数类过采样技术(SMOTE)扩充数量少的类别样本,从而解决了类不平衡问题;其次,利用改进深度残差收缩网络提取空间特征,其残差模块可以避免网络层加深造成的过拟合,压缩激励和软阈值化子网络可以提取重要局部特征并自动去除噪声;然后,通过长短期记忆网络(LSTM)提取时间特征;最后,利用全连接网络输出分类结果.在MIT-BIH心律失常数据集上的实验结果表明,该算法的分类性能优于IDRSN、DRSN、GAN+2DCNN、CNN+LSTM_ATTENTION、SE-CNN-LSTM分类算法.