目的为了适应铸造CAE技术的网络化趋势,满足铸造CAE系统前置处理模块对STL模型高级渲染的功能性需求,开发一款足以媲美OpenGL渲染环境下复杂三维图形渲染效果的Web版的STL模型查看器程序——STLViewer。方法仿效Windows桌面程序的运行...目的为了适应铸造CAE技术的网络化趋势,满足铸造CAE系统前置处理模块对STL模型高级渲染的功能性需求,开发一款足以媲美OpenGL渲染环境下复杂三维图形渲染效果的Web版的STL模型查看器程序——STLViewer。方法仿效Windows桌面程序的运行方式和界面风格,选择单页面设计方案。选用Visual Studio 2019开发平台,利用HTML5、CSS3和JavaScript技术设计程序界面。深入研究基于WebGL的STL模型可视化技术,按照依托场景环境活动模型渲染的技术路线,进行STLViewer各功能模块的开发。结果设计并实现了STLViewer,该程序功能完整性良好、内部逻辑结构合理高效。STLViewer融隐式交互和显式交互于一体,具有本地STL模型的随机性访问、活动模型的多样化交互、模型姿态的智能化跟踪、视图动画的多方式呈现、模型导出的便捷化操作等特点,实现了网络环境下STL模型的高级渲染功能。结论STLViewer作为一款性能卓越的STL模型查看器程序,既可辅助用户制订合理的网格剖分方案,又能带来优良的用户体验,在实际应用中得到了良好效果。展开更多
在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-W...在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-Winters模型和深度自回归模型(DeepAR)的组合预测模型STL-DeepAR-HW。先采用快速傅里叶变换和自相关函数提取数据的周期性特征,以提取到的最优周期对数据做STL分解,将数据分解为趋势项、季节项和余项;并用DeepAR和Holt-Winters分别预测趋势项和季节项,最后组合得到预测结果。在公开数据集AzurePublicDataset上进行实验,结果表明,与Transformer、Stacked-LSTM以及Prophet等模型相比,该组合模型在负载预测中具有更高的准确性和适用性。展开更多
供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供...供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。展开更多
传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序...传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。展开更多
文摘目的为了适应铸造CAE技术的网络化趋势,满足铸造CAE系统前置处理模块对STL模型高级渲染的功能性需求,开发一款足以媲美OpenGL渲染环境下复杂三维图形渲染效果的Web版的STL模型查看器程序——STLViewer。方法仿效Windows桌面程序的运行方式和界面风格,选择单页面设计方案。选用Visual Studio 2019开发平台,利用HTML5、CSS3和JavaScript技术设计程序界面。深入研究基于WebGL的STL模型可视化技术,按照依托场景环境活动模型渲染的技术路线,进行STLViewer各功能模块的开发。结果设计并实现了STLViewer,该程序功能完整性良好、内部逻辑结构合理高效。STLViewer融隐式交互和显式交互于一体,具有本地STL模型的随机性访问、活动模型的多样化交互、模型姿态的智能化跟踪、视图动画的多方式呈现、模型导出的便捷化操作等特点,实现了网络环境下STL模型的高级渲染功能。结论STLViewer作为一款性能卓越的STL模型查看器程序,既可辅助用户制订合理的网格剖分方案,又能带来优良的用户体验,在实际应用中得到了良好效果。
文摘在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-Winters模型和深度自回归模型(DeepAR)的组合预测模型STL-DeepAR-HW。先采用快速傅里叶变换和自相关函数提取数据的周期性特征,以提取到的最优周期对数据做STL分解,将数据分解为趋势项、季节项和余项;并用DeepAR和Holt-Winters分别预测趋势项和季节项,最后组合得到预测结果。在公开数据集AzurePublicDataset上进行实验,结果表明,与Transformer、Stacked-LSTM以及Prophet等模型相比,该组合模型在负载预测中具有更高的准确性和适用性。
文摘供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。
文摘传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。
