注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于反馈控制系统实时寿命预测的延寿策略研究

针对反馈控制系统性能因执行器隐含退化而无法满足控制任务时限要求的问题,提出了一种基于反馈系统实时寿命预测的动态矩阵控制(DMC)延寿方法.该方法首先基于Wiener和Poisson过程,建立了更加贴合执行器实际退化过程的复合模型;其次,通过分析执行器隐含退化对控制系统性能的影响给出了系统剩余寿命(RUL)的解析解,实现了系统RUL的实时快速预测;接着依据RUL的预测信息并结合DMC方法,通过在线针对性地对约束矩阵Q和R元素值的共同调整来延长系统的RUL,确保了控制任务时限性要求的目标达成;最后以双容水箱液位系统验证了本文方法的有效性,且较已有的LQR方法延寿效果和鲁棒性都更优.     

含外表面轴向裂纹管道评估模型预测精度统计推断

含裂纹管道评估模型预测精度的分布情况对研究管道失效概率和改进模型都至关重要.基于89组实验数据,结合极大似然估计法和Kolmogorov-Smirnov检验对7种含外表面轴向裂纹管道安全评估模型的预测精度进行统计推断,并根据其分布规律对不同模型的预测性能进行对比分析.结果表明:除Battelle和CorLAS模型的预测...     

奥运预测

【俄】《侧面》2012年7月25日7月27日,奥运圣火在伦敦点燃,俄罗斯代表团将全力以赴。在雅典奥运会上将奖牌榜第二名拱手让给中国后,俄罗斯在北京奥运会上依然屈居中美两大体育强国之后。近年来俄罗斯体育水平下滑已是不争事实。北京奥运会时,俄罗斯曾预计获得40枚～45枚金牌,而最终收入囊中的仅有23枚。此次,据俄体育部预测,俄代表团在本届伦敦奥运会上将获得33枚金牌。2011年,俄运动员在世界各项奥运项目锦标赛中共获得31枚金     

基于地震数据的岩石弹性参数反演方法

针对拉梅参数反演中缺少横波速度资料的问题,建立一种在缺少横波速度情况下的拉梅参数反演方法。首先,对井旁叠前地震道集进行贝叶斯反演,得到井位置处的横波速度;然后,对地震数据体采用拉梅参数直接反演,获得地下介质的拉梅参数信息;结合研究区的地质、测井信息,对储层进行描述和预测。该方法应用于J区块含气储层的预测,取得了良好的应用效果。该方法拓宽了拉梅参数反演在油气储层预测中的适用范围,具有较好的实用性。     

麦肯锡预测今年中国经济有10大趋势

麦肯锡上海分公司董事长欧高敦（GordonOrr）预测今年中国经济有十大趋势。在其研究报告中,高敦指出：第一个趋势是政府政策将推动消费和投资。第二个趋势是农村土地所有权改革,中国必须保持土地以增加农产品产出,降低城市和农村人口的收入差距。第三个趋势是房地产市场增长将放缓,在政府进一步为房地产市场降温的情况下,当局将继续实行房地产限购政策和房地产信贷控制政策。     

自动驾驶车辆轨迹跟踪横向偏差影响因素研究

车辆轨迹跟踪精度是目前智能驾驶技术发展的瓶颈问题之一.影响车辆轨迹跟踪精度的因素很多,从模型离散化处理参数-采样时间间隔和初始航向角入手,研究对自动驾驶车辆的轨迹跟踪精度影响规律.采用车辆二自由度动力学模型,基于模型预测控制算法(the model predictive control,MPC)控制车辆进行轨迹跟踪.仿...     

基于PSO—SVR的电力负荷预测

电力系统负荷预测精度直接决定了预测模型的质量.为了降低预测模型输出结果的预测误差,提出了粒子群算法优化支持向量机回归这一智能预测方法.通过对环境温度、节假日、工作日、日期的采集与分析作为模型的输入,以日平均负荷作为模型的输出.最后,通过仿真,对引入粒子群算法的支持向量机回归模型的预测结果进行对比分析.结果表明:优化后的智能模型取得了更为理想的预测结果.     

基于深度学习的城市流量预测

就所述的长短期记忆(LSTM)模型和DeepST-ResNet模型进行了研究分析,并基于西安滴滴出行的真实数据对相关模型进行对比实验,分析了各个模型的优劣,提出了建立更优模型的思路与展望.     

基于卷积神经网络与特征选择的 医疗图像误差预测算法

针对传统医疗图像误差预测算法无法很好的选择图像特征,存在图像误差预测值与实际值拟合度低、预测耗时长等问题,提出基于卷积神经网络与特征选择的医疗图像误差预测算法.首先,选取5种集成规则构建自适应多分类器,对医疗图像区域进行分类;其次,训练卷积神经网络,利用训练完成的神经网络提取不同类别医疗图像区域特征,以此为基础计算区域距离,寻找出相似度最小的区域,完成图像可疑区域定位;再次,融合多评价标准生成特征子集,从中搜索得到最优特征子集,完成可疑区域图像特征选择;最后,以选择得到的特征区域像素点作为训练样本,建立预测样本与训练样本之间的多元线性回归矩阵,实现误差预测.实验结果表明,所提算法的集成规则适应度较高,分类性能好,区域距离计算准确率高达95％左右,特征选择的AUC值(Area Under Curve)高,且预测结果拟合度和预测耗时均优于传统算法.