期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
面向动态交通分配的交通需求深度学习预测方法
被引量：
1
1
作者
李岩
王泰州
+2 位作者
徐金华
陈姜会
汪帆
《交通运输系统工程与信息》
EI
CSCD
北大核心
2024年第1期115-123,共9页
为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中...
为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明:本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%~19.80%,均方根误差降低了11.20%~17.99%,决定系数提升了8.62%~12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%~13.81%,均方根误差降低了4.23%~10.67%,决定系数提升了3.50%~7.01%,且本文模型运行时间最短。说明与对比模型相比,本文所建立的预测方法在面向动态交通分配的交通需求预测中具有更高的预测精度。
展开更多
关键词
智能交通
交通需求预测
布谷鸟寻优算法
长短期记忆神经网络
动态交通分配
局部
加权
回归
周期
趋势
分解
下载PDF
职称材料
基于STL的海表面温度预测算法
被引量：
12
2
作者
贺琪
查铖
+3 位作者
宋巍
戚福明
郝增周
黄冬梅
《海洋环境科学》
CAS
CSCD
北大核心
2020年第6期918-925,共8页
海表面温度是海洋科学研究中重要的参数之一,有效预测海表面温度对海洋灾害预警、海洋经济以及海洋生态环境研究具有重大意义。针对海表面温度具有周期性、持续性、非平稳性和非线性的特性,首先利用基于局部加权回归的周期趋势分解方法...
海表面温度是海洋科学研究中重要的参数之一,有效预测海表面温度对海洋灾害预警、海洋经济以及海洋生态环境研究具有重大意义。针对海表面温度具有周期性、持续性、非平稳性和非线性的特性,首先利用基于局部加权回归的周期趋势分解方法将原始海表面温度序列分解为周期项、趋势项和余项,挖掘海表面温度的潜在信息并去除序列中的随机噪音,再结合长短期记忆网络模型的优点,搭建神经网络来预测未来5天内的海表面温度。通过与其它模型的预测效果进行对比,实验结果表明,本文方法在预测海表面温度时具有较好的预测精度,能够实现海表面温度的有效预测。
展开更多
关键词
时间序列
海表面温度预测
基于
局部
加权
回归
的
周期
趋势
分解
长短期记忆网络
原文传递
基于布谷鸟搜索算法优化LSTM的大坝变形预测
被引量：
6
3
作者
康俊锋
胡祚晨
陈优良
《排灌机械工程学报》
CSCD
北大核心
2022年第9期902-907,共6页
对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期...
对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明:STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.
展开更多
关键词
大坝变形预测
长短期记忆神经网络
布谷鸟搜索
基于
局部
加权
回归
的
周期
趋势
分解
机器学习
下载PDF
职称材料
题名
面向动态交通分配的交通需求深度学习预测方法
被引量：
1
1
作者
李岩
王泰州
徐金华
陈姜会
汪帆
机构
长安大学
中交第一公路勘察设计研究院有限公司
出处
《交通运输系统工程与信息》
EI
CSCD
北大核心
2024年第1期115-123,共9页
基金
国家自然科学基金(51408049)
陕西省自然科学基础研究计划项目(2020JM-237)。
文摘
为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明:本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%~19.80%,均方根误差降低了11.20%~17.99%,决定系数提升了8.62%~12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%~13.81%,均方根误差降低了4.23%~10.67%,决定系数提升了3.50%~7.01%,且本文模型运行时间最短。说明与对比模型相比,本文所建立的预测方法在面向动态交通分配的交通需求预测中具有更高的预测精度。
关键词
智能交通
交通需求预测
布谷鸟寻优算法
长短期记忆神经网络
动态交通分配
局部
加权
回归
周期
趋势
分解
Keywords
intelligent transportation
traffic demand prediction
Cuckoo search algorithm
long short-term memory
dynamic traffic assignment
seasonal and trend decomposition using loess
分类号
U491 [交通运输工程—交通运输规划与管理]
下载PDF
职称材料
题名
基于STL的海表面温度预测算法
被引量：
12
2
作者
贺琪
查铖
宋巍
戚福明
郝增周
黄冬梅
机构
上海海洋大学信息学院
上海必途信息技术有限公司
卫星海洋环境动力学国家重点实验室
上海电力大学
出处
《海洋环境科学》
CAS
CSCD
北大核心
2020年第6期918-925,共8页
基金
海洋大数据分析预报技术研发基金项目(2016YFC1401907)
国家海洋局数字海洋科学技术重点实验室开放基金项目(B201801029)
+1 种基金
上海市高校特聘教授(东方学者)项目(TP2016038)
上海市科委部分地方院校能力建设项目(17050501900)。
文摘
海表面温度是海洋科学研究中重要的参数之一,有效预测海表面温度对海洋灾害预警、海洋经济以及海洋生态环境研究具有重大意义。针对海表面温度具有周期性、持续性、非平稳性和非线性的特性,首先利用基于局部加权回归的周期趋势分解方法将原始海表面温度序列分解为周期项、趋势项和余项,挖掘海表面温度的潜在信息并去除序列中的随机噪音,再结合长短期记忆网络模型的优点,搭建神经网络来预测未来5天内的海表面温度。通过与其它模型的预测效果进行对比,实验结果表明,本文方法在预测海表面温度时具有较好的预测精度,能够实现海表面温度的有效预测。
关键词
时间序列
海表面温度预测
基于
局部
加权
回归
的
周期
趋势
分解
长短期记忆网络
Keywords
time series
sea surface temperature prediction
STL
long short-term memory
分类号
P731.3 [天文地球—海洋科学]
原文传递
题名
基于布谷鸟搜索算法优化LSTM的大坝变形预测
被引量：
6
3
作者
康俊锋
胡祚晨
陈优良
机构
江西理工大学土木与测绘工程学院
出处
《排灌机械工程学报》
CSCD
北大核心
2022年第9期902-907,共6页
基金
国家大坝中心开放基金资助项目(CX2019B07)。
文摘
对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明:STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.
关键词
大坝变形预测
长短期记忆神经网络
布谷鸟搜索
基于
局部
加权
回归
的
周期
趋势
分解
机器学习
Keywords
dam deformation prediction
long short-term memory neural network
cuckoo search
STL
machine learning
分类号
S277.9 [农业科学—农业水土工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
面向动态交通分配的交通需求深度学习预测方法
李岩
王泰州
徐金华
陈姜会
汪帆
《交通运输系统工程与信息》
EI
CSCD
北大核心
2024
1
下载PDF
职称材料
2
基于STL的海表面温度预测算法
贺琪
查铖
宋巍
戚福明
郝增周
黄冬梅
《海洋环境科学》
CAS
CSCD
北大核心
2020
12
原文传递
3
基于布谷鸟搜索算法优化LSTM的大坝变形预测
康俊锋
胡祚晨
陈优良
《排灌机械工程学报》
CSCD
北大核心
2022
6
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
