针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻(K-nearest neighbor,KNN)与长短时记忆(long short term memory,LSTM)网络模型相结合...针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻(K-nearest neighbor,KNN)与长短时记忆(long short term memory,LSTM)网络模型相结合的短时交通流预测模型.采用KNN算法选择路网中与预测站点时空相关的检测站,以选择的检测站的交通流序列构造数据集,将其输入LSTM模型中进行训练及测试,并通过美国交通研究数据实验室的真实交通数据对提出的模型进行验证.结果表明:与现有的交通预测模型相比,该方法能更好地提取交通流序列的时空特性,预测准确率平均可提高12. 28%,可为交通诱导与控制提供必要的依据.展开更多
针对燃气轮机气路性能退化的周期性与非线性特点,提出一种基于长短期记忆(Long-Short Term Memory,LSTM)神经网络的燃气轮机排气温度趋势预测方法。利用标准化与归一化数据预处理方法提取排气温度数据中的退化特征,减小了环境和工况变...针对燃气轮机气路性能退化的周期性与非线性特点,提出一种基于长短期记忆(Long-Short Term Memory,LSTM)神经网络的燃气轮机排气温度趋势预测方法。利用标准化与归一化数据预处理方法提取排气温度数据中的退化特征,减小了环境和工况变化对退化特征的影响;通过滑窗法提取一定长度的历史数据,增强LSTM模型的泛化能力;利用LSTM网络的内部循环节点,通过时序相似性搜索,实现退化周期燃气轮机排气温度预测。最后,采用船用燃气轮机水洗周期历史数据进行排气温度趋势预测试验。研究表明:基于LSTM排气温度预测方法的预测精度大于87.4%,且预测结果的波动性和滞后性较小。展开更多
线损对电网的经济发展具有重要的作用,然而由于智能电表未完全普及,以及存在偷电漏电的行为,导致线损统计结果存在偏差,为线损治理工作带来很大的困难。提出来一种基于深度学习长短期记忆(long-short term memory,LSTM)神经网络的线损...线损对电网的经济发展具有重要的作用,然而由于智能电表未完全普及,以及存在偷电漏电的行为,导致线损统计结果存在偏差,为线损治理工作带来很大的困难。提出来一种基于深度学习长短期记忆(long-short term memory,LSTM)神经网络的线损预测模型,并且设计了一组对比试验,对比的预测算法包括BP(back propagation)神经网络、循环神经网络(recurrent neural networks,RNN)。试验结果表明,LSTM算法的预测准确率高于BP神经网络和RNN,尤其是在数据量较大的情况下。展开更多
针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动...针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次,对采集得到的原始数据预处理后提取健康因子,将训练用数据和测试数据分别构成参考数据集和目标数据集。然后,以参考数据集为基础,利用动态时间规整算法扩增目标数据集数据。最后,使用数据扩增后的测试数据训练BLSTM网络,利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明,基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据,扩增性能退化过程相似的滚动轴承运行数据,利用扩增数据训练BLSTM网络,能够有效提高性能退化趋势预测能力,进而提高剩余寿命预测精度。展开更多
文摘针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻(K-nearest neighbor,KNN)与长短时记忆(long short term memory,LSTM)网络模型相结合的短时交通流预测模型.采用KNN算法选择路网中与预测站点时空相关的检测站,以选择的检测站的交通流序列构造数据集,将其输入LSTM模型中进行训练及测试,并通过美国交通研究数据实验室的真实交通数据对提出的模型进行验证.结果表明:与现有的交通预测模型相比,该方法能更好地提取交通流序列的时空特性,预测准确率平均可提高12. 28%,可为交通诱导与控制提供必要的依据.
文摘针对燃气轮机气路性能退化的周期性与非线性特点,提出一种基于长短期记忆(Long-Short Term Memory,LSTM)神经网络的燃气轮机排气温度趋势预测方法。利用标准化与归一化数据预处理方法提取排气温度数据中的退化特征,减小了环境和工况变化对退化特征的影响;通过滑窗法提取一定长度的历史数据,增强LSTM模型的泛化能力;利用LSTM网络的内部循环节点,通过时序相似性搜索,实现退化周期燃气轮机排气温度预测。最后,采用船用燃气轮机水洗周期历史数据进行排气温度趋势预测试验。研究表明:基于LSTM排气温度预测方法的预测精度大于87.4%,且预测结果的波动性和滞后性较小。
文摘针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次,对采集得到的原始数据预处理后提取健康因子,将训练用数据和测试数据分别构成参考数据集和目标数据集。然后,以参考数据集为基础,利用动态时间规整算法扩增目标数据集数据。最后,使用数据扩增后的测试数据训练BLSTM网络,利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明,基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据,扩增性能退化过程相似的滚动轴承运行数据,利用扩增数据训练BLSTM网络,能够有效提高性能退化趋势预测能力,进而提高剩余寿命预测精度。
