基于双向时间卷积网络的半监督日志异常检测 被引量：2

1

作者 尹春勇 孔娴 《计算机应用研究》 CSCD 北大核心 2024年第7期2110-2117,共8页

由于日志解析准确率不高以及标记样本不足降低了异常检测的准确率,所以提出了一种新的基于日志的半监督异常检测方法。首先,通过改进字典的日志解析方法,保留了日志事件中的部分参数信息,从而提高日志信息的利用率和日志解析的准确率;然... 由于日志解析准确率不高以及标记样本不足降低了异常检测的准确率,所以提出了一种新的基于日志的半监督异常检测方法。首先,通过改进字典的日志解析方法,保留了日志事件中的部分参数信息,从而提高日志信息的利用率和日志解析的准确率;然后,使用BERT对模板中的语义信息进行编码,获得日志的语义向量;接着采用聚类的方法进行标签估计,缓解了数据标注不足的问题,有效提高了模型对不稳定数据的检测;最后,使用带有残差块的双向时间卷积网络(Bi-TCN)从两个方向捕获上下文信息,提高了异常检测的精度和效率。为了评估该方法的性能,在两个数据集上进行了评估,最终实验结果表明,该方法与最新的三个基准模型LogBERT、PLELog和LogEncoder相比,F 1值平均提高了7%、14.1%和8.04%,能够高效精准地进行日志解析和日志异常检测。 展开更多

关键词 日志解析 异常检测 半监督学习 双向时间卷积网络 上下文相关性

在线阅读 下载PDF 职称材料

基于双向时间深度卷积网络的中文文本情感分类 被引量：14

2

作者 韩建胜 陈杰 +2 位作者 陈鹏 刘杰 彭德中 《计算机应用与软件》 北大核心 2019年第12期225-231,共7页

普通时间卷积网络对文本进行单向特征提取不能充分捕捉文本特征,对文本的分析能力较弱。提出一种基于双向时间卷积网络(Bi TCN)的情感分析模型。模型使用单向多层空洞因果卷积结构分别对文本进行前向和后向特征提取,将两个方向的序列特... 普通时间卷积网络对文本进行单向特征提取不能充分捕捉文本特征,对文本的分析能力较弱。提出一种基于双向时间卷积网络(Bi TCN)的情感分析模型。模型使用单向多层空洞因果卷积结构分别对文本进行前向和后向特征提取,将两个方向的序列特征融合后进行情感分类。研究并分析模型中卷积层数、卷积核大小和空洞因子三个参数对情感分类结果的影响。实验证明,与单向时间卷积网络情感分析模型相比,双向时间卷积网络模型在四个中文情感分析数据集上的准确率分别提高了2.5%、0.25%、2.33%和2.5%。 展开更多

关键词 情感分析 自然语言处理 空洞卷积 因果卷积 双向时间卷积网络

在线阅读 下载PDF 职称材料

基于AF-BiTCN的弹道中段目标HRRP识别

3

作者 王晓丹 王鹏 +2 位作者 宋亚飞 向前 李京泰 《北京航空航天大学学报》 北大核心 2025年第2期349-359,共11页

针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为... 针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为双向序列;构建BiTCN逐层提取HRRP的双向深层时序特征,并将双向时序特征采用加性策略融合;利用更加稳健的融合特征实现对弹道中段目标的识别,并使用Adam算法优化AF-BiTCN的收敛速度和稳定性。实验结果表明:所提的基于AF-BiTCN的弹道中段目标HRRP识别方法较堆叠选择长短期记忆网络(SLSTM)、堆叠门控循环单元(SGRU)等6种时序方法具有更高的准确率和更快的识别速度,在测试集上达到了96.60%的准确率,并且在噪声数据集上表现出更好的鲁棒性。 展开更多

关键词 双向时间卷积神经网络 弹道目标识别 特征融合 高分辨距离像 滑窗算法

在线阅读 下载PDF 职称材料

基于Softmax函数增强卷积神经网络—双向长短期记忆网络框架的交通拥堵预测算法 被引量：20

4

作者 陈悦 杨柳 +3 位作者 李帅 刘恒 唐优华 郑佳雯 《科学技术与工程》 北大核心 2022年第29期12917-12926,共10页

对交通状态进行预测,需要准确识别和判断交通状态。基于道路自身的自由流速度,将具有不同速度等级的街道统一以旅行时间指数(travel time index, TTI)作为拥堵评价,相较于以车辆速度为基准的传统预测方法更能表现出道路的拥堵状态。提... 对交通状态进行预测,需要准确识别和判断交通状态。基于道路自身的自由流速度,将具有不同速度等级的街道统一以旅行时间指数(travel time index, TTI)作为拥堵评价,相较于以车辆速度为基准的传统预测方法更能表现出道路的拥堵状态。提出了一种改进的深度学习预测模型(CS-BiLSTM),该模型基于卷积神经网络(convolutional neural networks, CNN)和双向长短期记忆(bidirectional long short-term memory, BiLSTM),并结合Softmax函数增强CNN提取出的交通空间特征信息。最后以成都市出租车的全球定位系统(global positioning system, GPS)数据进行验证。结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比CNN-BiLSTM网络预测框架提升了13%。 展开更多

关键词 交通拥堵预测 旅行时间指数(TTI) 卷积神经网络(CNN) Softmax函数 双向长短期记忆(BiLSTM)

在线阅读 下载PDF 职称材料

动态时间序列建模的多模态情感识别方法 被引量：2

5

作者 李佳泽 梅红岩 +1 位作者 贾丽云 李文娅 《计算机工程与应用》 北大核心 2025年第1期196-205,共10页

现有的情感识别研究未充分考虑语音信号中的局部-全局信息和长期时间依赖关系,文本特征提取也存在特征稀疏和信息丢失的问题。为解决上述问题,提出动态时间序列建模的多模态情感识别方法。设计动态时间窗口模块分割语音信号从而捕捉局部... 现有的情感识别研究未充分考虑语音信号中的局部-全局信息和长期时间依赖关系,文本特征提取也存在特征稀疏和信息丢失的问题。为解决上述问题,提出动态时间序列建模的多模态情感识别方法。设计动态时间窗口模块分割语音信号从而捕捉局部-全局信息,并通过双向序列建模捕获信号中的空间信息。考虑到文本信息对情感分析的重要性,采用基于Transformer模型的卷积神经网络捕捉文本中不同位置间的依赖关系建模较长的上下文信息,最后将两种模态进行融合得到最终的情感分类。模型在IEMOCAP数据集上的实验结果表明,相比其他主流模型具有更好的多模态情感识别效果。 展开更多

关键词 多模态情感分析 动态时间窗口 双向时间序列建模 卷积神经网络 多模态融合

在线阅读 下载PDF 职称材料

基于VMD与TCN-SENet-BiLSTM网络的轴承寿命预测 被引量：1

6

作者 张发振 张清华 +3 位作者 秦宾宾 朱冠华 邓兴超 刘迪洋 《机床与液压》 北大核心 2025年第1期15-23,共9页

传统的滚动轴承剩余寿命预测方法存在缺乏明确学习机制和模型预测精度较低等问题,无法有效提取不同时序特征之间的差异所包含的重要退化信息特征。为了进一步提高预测模型精度,提出一种融合SENet注意力机制的时间卷积网络(TCN)和双向长... 传统的滚动轴承剩余寿命预测方法存在缺乏明确学习机制和模型预测精度较低等问题,无法有效提取不同时序特征之间的差异所包含的重要退化信息特征。为了进一步提高预测模型精度,提出一种融合SENet注意力机制的时间卷积网络(TCN)和双向长短时网络(BiLSTM)的剩余使用寿命预测模型。利用变分模态分解将原始信号分解为多个特征分量,使用皮尔逊相关系数对特征进行优化,得到重构后的信号作为模型输入。通过TCN-SENet-BiLSTM模型有效学习重构特征信号与轴承退化之间的复杂关系。最后,运用后处理技术输出平滑后的预测结果,并在IEEE PHM 2012数据集上进行验证。实验结果表明:相较于TCN、TCN-SENet及TCN-BiLSTM 3种模型,基于VMD与TCN-SENet-BiLSTM方法的预测结果最优,平均绝对误差(MAE)和均方根误差(RMSE)均最低。其中,工况1的3号轴承RUL预测的MAE值相比其他3种网络分别下降了36.49%、50.00%和48.35%;工况2的6号轴承RUL预测的RMSE分别下降了24.11%、33.07%和61.54%,且预测的Score值最高为0.866。实验结果验证了基于VMD与TCN-SENet-BiLSTM模型在轴承剩余使用寿命预测中的有效性。 展开更多

关键词 剩余使用寿命 轴承 时间卷积网络 双向长短时记忆网络 变分模态分解

在线阅读 下载PDF 职称材料

基于EMVMD-GPSAO的短期风电功率网络预测模型

7

作者 陈万志 杜超 王天元 《电工电能新技术》 北大核心 2025年第7期90-98,共9页

针对风电时间序列数据的非线性、非平稳特征而导致的短期风电功率预测精度低问题,本文提出一种基于多频解构特征优选方法与改进的雪消融优化器(EMVMD-GPSAO)的短期风电功率网络预测模型。首先,采用多频解构特征优选方法(EMVMD)从原始风... 针对风电时间序列数据的非线性、非平稳特征而导致的短期风电功率预测精度低问题,本文提出一种基于多频解构特征优选方法与改进的雪消融优化器(EMVMD-GPSAO)的短期风电功率网络预测模型。首先,采用多频解构特征优选方法(EMVMD)从原始风电功率及气象数据中分解、筛选得到关键模态特征,提升训练数据质量;其次,构建融合双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)的网络模型,采用改进的雪消融优化器(GPSAO)优化模型超参数,并通过多头注意力机制(MHA)实现时序特征的自适应加权;最后,对模型输出的预测序列进行反归一化处理,获得预测结果。场景数据集实验结果表明,所提模型的MAE降低超过58.02%,MAPE降低超过4.52%,RMSE降低超过46.59%,跨数据集R2维持在0.99以上。四种评价指标均优于对比模型,具有更高的预测精度与泛化能力。 展开更多

关键词 短期风电功率预测 多元变分模态分解 雪消融优化器 双向时间卷积网络 双向门控循环单元

在线阅读 下载PDF 职称材料

基于自优化神经网络的船舶运动模型辨识

8

作者 张浩晢 杨智博 +2 位作者 焦绪国 吕成兴 朱齐丹 《智能系统学报》 北大核心 2025年第3期571-583,共13页

精确的船舶运动模型是船舶自主系统的核心。为提高船舶运动建模精度,引入了改进的雪融优化器(improved snow ablation optimizer,ISAO);提出一种结合双向时间卷积网络(bidirectional temporal convolutional network,Bi-TCN)与注意力机... 精确的船舶运动模型是船舶自主系统的核心。为提高船舶运动建模精度,引入了改进的雪融优化器(improved snow ablation optimizer,ISAO);提出一种结合双向时间卷积网络(bidirectional temporal convolutional network,Bi-TCN)与注意力机制(attention mechanism,AM)的网络模型,即BITCA。进一步地,将ISAO与BITCA相结合,建立ISAO-BITCA船舶运动辨识混合模型。该模型利用Bi-TCN深度挖掘船舶运动序列在双向时间及空间维度下的隐藏特征,并引入AM以减少信息损失;基于ISAO,自主搜索并优化了BITCA模型的超参数组合。仿真实验结果表明,经过ISAO优化的BITCA模型在船舶航向角、偏航角速度、横摇角和总速度预测上的均方根误差(root mean square error,RMSE)分别降低了54.1%、28.21%、5.88%和40%,为船舶运动模型的准确辨识提供了一种有效手段。 展开更多

关键词 船舶运动建模 改进雪融优化器 双向时间卷积网络 注意力机制 优化 超参数 预测 辨识

在线阅读 下载PDF 职称材料

基于ResNet-TSM和BiGRU网络的移动视频感知质量评价模型 被引量：1

9

作者 杜丽娜 杨硕 +2 位作者 卓力 张菁 李嘉锋 《北京工业大学学报》 CAS CSCD 北大核心 2024年第1期18-26,共9页

考虑到卡顿、质量切换、内容特征等因素对用户体验质量的影响都会直接体现在客户端的失真视频里,提出了一种客户端的移动视频感知质量评价模型。该模型无须对每种影响因素均进行表征和度量,而是基于深度特征提取+回归的思路,直接建立失... 考虑到卡顿、质量切换、内容特征等因素对用户体验质量的影响都会直接体现在客户端的失真视频里,提出了一种客户端的移动视频感知质量评价模型。该模型无须对每种影响因素均进行表征和度量,而是基于深度特征提取+回归的思路,直接建立失真视频与平均意见分数之间的映射模型。首先,构建了ResNet-TSM网络结构,提取失真视频片段的深度时空特征;为了避免维度灾难,采用LargeVis算法对提取的深度特征进行降维,同时提升特征的表达与区分能力。然后,采用双向门控循环单元网络对视频的长时间依赖关系进行建模,得到各视频片段的打分,再利用时间平均池化方法将各片段分数进行聚合,得到整个视频的打分结果。在WaterlooSQoE-Ⅲ和LIVE-NFLX-Ⅱ数据集上的实验结果表明,提出的模型可以获得更高的预测精度。 展开更多

关键词 视频感知质量评价 平均意见分数 卷积神经网络 时间移位模块 双向门控循环单元 深度时空特征

在线阅读 下载PDF 职称材料

基于数字孪生与融合神经网络的光伏阵列故障诊断 被引量：2

10

作者 刘卫亮 姜锴越 +3 位作者 许之胜 刘帅 刘长良 王昕 《太阳能学报》 EI CAS CSCD 北大核心 2024年第11期303-312,共10页

提出一种基于数字孪生模型与融合神经网络的光伏阵列故障诊断方法。首先,设计并初步实现包含孪生模型、数据采集与传输模块、服务应用系统的光伏电站数字孪生系统整体框架;其次,结合机理建模方法与粒子群(PSO)优化算法,建立光伏阵列数... 提出一种基于数字孪生模型与融合神经网络的光伏阵列故障诊断方法。首先,设计并初步实现包含孪生模型、数据采集与传输模块、服务应用系统的光伏电站数字孪生系统整体框架;其次,结合机理建模方法与粒子群(PSO)优化算法,建立光伏阵列数字孪生模型;再次,通过评估数字孪生模型输出与物理实体输出之间的残差,对故障进行检测;最后,采用时间卷积网络(TCN)结合双向门控循环单元(BiGRU)的融合神经网络,对光伏阵列故障进行诊断。实验结果表明,所提光伏阵列故障诊断方法较其他方法具有更高的精度,准确率可达97.8%。 展开更多

关键词 数字孪生 光伏阵列 粒子群算法 时间卷积网络 双向门控循环单元 故障诊断

在线阅读 下载PDF 职称材料

融合二次分解的深度学习模型在PM_(2.5)浓度预测中的应用 被引量：1

11

作者 江雨燕 黄体臣 +1 位作者 甘如美江 王付宇 《安全与环境学报》 北大核心 2025年第1期296-309,共14页

针对PM_(2.5)质量浓度时间序列呈非线性难以预测的特征,为了进一步提高PM_(2.5)质量浓度预测精确度,研究通过“分而治之”先分解再预测的思想,提出一种融合二次分解的PM_(2.5)质量浓度混合预测模型(Complete Ensemble Empirical Mode De... 针对PM_(2.5)质量浓度时间序列呈非线性难以预测的特征,为了进一步提高PM_(2.5)质量浓度预测精确度,研究通过“分而治之”先分解再预测的思想,提出一种融合二次分解的PM_(2.5)质量浓度混合预测模型(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Variational Mode Decomposition-Temporal Convolutional Network-Bi-directional Long Short-Term Memory,CEEMDAN-VMD-TCN-BiLSTM)。该模型先由递归特征消除(Recursive Feature Elimination,RFE)进行特征筛选,随后使用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)将2013—2016年北京市PM_(2.5)质量浓度序列分解为一系列高低频模态分量并计算各分量样本熵,将样本熵由K-means聚类整合为新的分量,再由变分模态分解(Variational Mode Decomposition,VMD)方法进行二次分解。最后,将所有分量先经时间卷积网络(Temporal Convolutional Network,TCN)进行特征提取,并通过双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)预测,叠加各分量预测值即为最终预测结果。消融试验结果显示,该模型相比于单次CEEMDAN分解模型均方根误差E_(MAPE)降低19.312%,绝对误差E_(MAE)降低34.423%,百分比误差E_(MAPE)与希尔不等系数E_(TIC)分别减少40.465百分点和59.794%。由此可见,研究在引入VMD构成二次分解模型相比于单次分解模型的预测误差更小,精度更高,可为决策者在PM_(2.5)质量浓度预测与治理等工作提供一定参考。 展开更多

关键词 环境工程学 PM_(2.5)质量浓度预测 自适应噪声的完备经验模态分解 变分模态分解 时间卷积网络 双向长短期记忆网络

在线阅读 下载PDF 职称材料

基于特征交叉注意力机制融合的轴承故障诊断方法

12

作者 赵国超 刘崇德 +2 位作者 宋宇宁 金鑫 李伟华 《振动与冲击》 北大核心 2025年第12期228-237,共10页

为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convo... 为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convolutional neural network,CNN)和双向时间卷积网络(bidirectional temporal convolutional network,BiTCN)提取时频特征,通过交叉注意力机制(cross-attention mechanism,CA)融合时频特征的能力,充分提取原始信号故障特征,利用全连接层实现滚动轴承故障类型的精确诊断。试验研究表明:在含信噪比为9.32 dB、标准差为2.98的高斯白噪声的环境下,使用CNN-BiTCN-CA模型轴承故障分类准确率为99.88%,相较于使用CNN、BiTCN和结合自注意力机制的卷积神经网络(CNN with self-attention mechanism,CNN-SA)诊断轴承故障,准确率分别提升约22.79%、4.85%和4.19%;在引入信噪比为3.31 dB、标准差为5.96的高斯白噪声时,该模型仍然可以达到96.12%的诊断准确率。CNN-BiTCN-CA模型能够深入提取轴承信号中的故障特征,有效提高故障分类准确性。 展开更多

关键词 滚动轴承 故障诊断 双向时间卷积网络(bitcn) 时频融合 交叉注意力机制(CA)

在线阅读 下载PDF 职称材料

基于模态分解和误差修正的短期电力负荷预测

13

作者 鄢化彪 李东丽 +2 位作者 黄绿娥 张航菘 姚龙龙 《电子测量技术》 北大核心 2025年第5期92-101,共10页

针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大... 针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大信息系数筛选出与负荷高度相关的特征集,以削弱特征冗余;通过改进的自适应白噪声完全集合经验模态分解将高波动性的负荷分解为频率各异的本征模态分量和残差,以降低非平稳性;引入样本熵将复杂度相近的分量重构成新子序列,以降低计算量;然后,结合并行双向时间卷积网络提取不同尺度的特征,利用双向长短期记忆网络对负荷序列初步预测,使用麻雀优化算法对神经网络超参数调优;最后,误差序列通过误差修正模块对初始预测值进行修正。经实验验证,与其他预测模型相比,RMSE最多降低51.42%,最少降低34.26%,验证了模型的准确性和有效性。 展开更多

关键词 电力负荷 短期预测 自适应经验模态分解 样本熵 双向时间卷积网络 双向长短期记忆 麻雀搜索算法

在线阅读 下载PDF 职称材料

基于多特征提取和多层级迁移学习的电动汽车充电站充电量预测

14

作者 李振华 张成浩 +1 位作者 刘奕舟 魏伟 《电力系统保护与控制》 北大核心 2025年第6期150-162,共13页

电动汽车充电站充电量预测对于充电站规划、建设、充电管理平台营销等有着实际意义。但新建、改造的充电站可能会面临部分时段数据缺失、历史数据不足和浅层神经网络模型难以捕捉等多变且复杂的输入特征的问题。因此,提出了一种基于多... 电动汽车充电站充电量预测对于充电站规划、建设、充电管理平台营销等有着实际意义。但新建、改造的充电站可能会面临部分时段数据缺失、历史数据不足和浅层神经网络模型难以捕捉等多变且复杂的输入特征的问题。因此,提出了一种基于多特征提取和多层级迁移学习的电动汽车充电站充电量预测方法。首先,使用K-Means算法对所有用户在不同时间段的充电次数进行聚类,得到4类充电行为特征,将其和其他影响特征融合作为模型的输入特征集。其次,设计并行连接的多尺度混合时间卷积网络(temporal convolutional network,TCN)层作为特征提取器,两层BiLSTM层将提取到的特征进行深层学习,Attention层加强个体特征选择。最后,将源充电站数据进行相关性等级划分,按照相关性由弱到强输入到模型中进行多层级迁移学习,保留损失函数最低的训练权重,得到最终的预测结果。算例分析表明,多层级迁移学习可以弥补新建、改造的充电站数据样本不足的缺陷。与直接迁移相比,多层级迁移平均绝对误差(mean absolute error,MAE)降低了10.75%,均方根误差(root mean square error,RMSE)降低了13.73%,拟合优度R2提升了0.4%。 展开更多

关键词 充电量预测 迁移学习 特征提取 时间卷积网络 双向长短期记忆网络 注意力机制

在线阅读 下载PDF 职称材料

基于时间模式注意力机制的CNN-BiGRU短期负荷预测 被引量：13

15

作者 黄宇 顾智勇 +2 位作者 李永玲 史博韬 黄怡然 《华北电力大学学报（自然科学版）》 CAS 北大核心 2023年第6期11-20,共10页

准确的短期负荷预测可以缓解电力供需矛盾,协调负荷管理,保障电力系统安全。短期电力负荷具有很强的非线性和时间依赖性,并与气候变化和实时电价等诸多外部因素有关,给精准预测短期负荷带来了困难。为此,提出一种基于时间模式注意力(tem... 准确的短期负荷预测可以缓解电力供需矛盾,协调负荷管理,保障电力系统安全。短期电力负荷具有很强的非线性和时间依赖性,并与气候变化和实时电价等诸多外部因素有关,给精准预测短期负荷带来了困难。为此,提出一种基于时间模式注意力(temporal pattern attention, TPA)机制的卷积神经网络(convolutional neural network, CNN)-双向门控循环单元(bidirectional gated recurrent unit, BiGRU)短期负荷预测方法。其中,卷积神经网络用于挖掘不同输入变量与当前负荷间的非线性空间联系,双向门控循环单元用于从时间序列中捕获长期依赖关系,时间模式注意力机制引入以自适应加权赋予特征权重,突出重要信息,实现短期负荷预测。以澳大利亚公开负荷数据集作为实例验证所提方法的效果,预测精度达到了97.651%,与CNN-LSTM、RNN预测模型进行对比,精度分别提高了0.531%和5.992%,实验结果表明:所提的TPA-CNN-BiGRU预测方法具有更高的预测精度和普适性。 展开更多

关键词 短期负荷预测 时间模式注意力 卷积神经网络 双向门控循环单元

在线阅读 下载PDF 职称材料

基于多任务学习的快件送达时间预测方法 被引量：1

16

作者 王强 林友芳 万怀宇 《计算机工程》 CAS CSCD 北大核心 2022年第4期314-320,共7页

快件送货时间预测(即在任何时间预测包裹送达的到达时间)是物流领域中最重要的服务之一。准确地预测快件送达时间可以为用户提供更准时的服务,缓解客户的等待焦虑,提升用户体验,且有利于快递员的路径规划,从而提高派送效率。然而在快递... 快件送货时间预测(即在任何时间预测包裹送达的到达时间)是物流领域中最重要的服务之一。准确地预测快件送达时间可以为用户提供更准时的服务,缓解客户的等待焦虑,提升用户体验,且有利于快递员的路径规划,从而提高派送效率。然而在快递派送场景下,多因素、动态性及多目的地等特征给快件投递准确预测送达时间带来巨大挑战。提出一种基于多任务学习的模型MTDTN,从快递员的大量历史时空轨迹中预测快件送达时间。MTDTN建模多种影响送达时间的外部因素,利用地理信息编码、卷积操作以及双向长短时记忆网络来捕获派送行为的时空关系,并运用多任务学习框架,引入顺序预测的辅助任务与送达时间预测的主任务,提高模型预测性能。在真实数据集上的实验结果表明,与基准方法中最优的DeepETA模型相比,该模型的平均绝对误差与平均绝对百分比误差分别降低了16.11%和12.88%,模型效果明显提升。 展开更多

关键词 送达时间预测 时空轨迹 卷积神经网络 双向长短时记忆 多任务学习

在线阅读 下载PDF 职称材料

融合机理模型与深度学习的加热炉钢坯温度预测

17

作者 冯旭刚 杨克 +5 位作者 安硕 王正兵 唐得志 王伟 柳传武 潘磊 《中南大学学报(自然科学版)》 北大核心 2025年第7期2719-2730,共12页

数据驱动模型在加热炉钢坯温度预测中存在机理模糊性与参数敏感性的局限,导致预测精度降低。为此,本文提出一种结合机理模型与深度学习的钢坯温度模型预测算法。首先,基于对流与辐射传热的一维非稳态传热模型(convection-radiation heat... 数据驱动模型在加热炉钢坯温度预测中存在机理模糊性与参数敏感性的局限,导致预测精度降低。为此,本文提出一种结合机理模型与深度学习的钢坯温度模型预测算法。首先,基于对流与辐射传热的一维非稳态传热模型(convection-radiation heat transfer model,CRHT),初步计算钢坯出段温度,并将其与加热炉工况参数进行融合,实现机理知识的整合;其次,采用tent混沌映射和动态自适应权重改进差异创意搜索(differentiated creative search,DCS)算法,实现双向时间卷积网络(bidirectional temporal convolutional networks,BITCN)与双向长短期记忆网络(bidirectional long short-term memory,BILSTM)融合模型的超参数协同优化;最后,通过加热炉实际生产数据,系统地验证了该模型的准确性。研究结果表明:在加热炉均热段的钢坯温度预测中,与常规BITCN-BILSTM模型的预测结果相比,所提出的预测算法所得结果的平均绝对误差、均方根误差的相对误差分别降低了52.8%和28.9%,模型预测精度得到明显提升。 展开更多

关键词 钢坯温度预测 机理模型 双向时间卷积神经网络 双向长短期记忆 差异创意搜索

在线阅读 下载PDF 职称材料

基于深度学习的香菇菌棒生产成本预测模型研究

18

作者 卢翠红 张峰 吴秋兰 《山东农业科学》 北大核心 2025年第1期174-180,共7页

针对香菇菌棒生产成本管控难、成本预测精度低等问题,本研究在深入剖析香菇菌棒生产成本关键影响因素的基础上,提出了基于时间卷积神经网络(TCN)、双向长短期记忆网络(BiLSTM)和注意力(Attention)机制的香菇菌棒生产成本预测模型。首先... 针对香菇菌棒生产成本管控难、成本预测精度低等问题,本研究在深入剖析香菇菌棒生产成本关键影响因素的基础上,提出了基于时间卷积神经网络(TCN)、双向长短期记忆网络(BiLSTM)和注意力(Attention)机制的香菇菌棒生产成本预测模型。首先利用轻量级梯度提升机(LightGBM)筛选出与香菇菌棒生产成本相关的重要特征,降低预测模型的输入维度;然后构建TCN网络与BiLSTM网络对输入数据进行特征提取,并将提取的特征进行融合;最后在上述基础上添加Attention机制,使用全连接层得到最终的香菇菌棒生产成本预测结果。实验结果表明,该模型的预测均方根误差、平均绝对百分比误差、平均绝对误差分别为0.0841、2.2526、0.0738,香菇菌棒生产成本的预测曲线接近真实的曲线,具有良好的预测效果,可以有效满足香菇菌棒生产企业对成本预测的要求。 展开更多

关键词 香菇菌棒 双向长短期记忆网络 时间卷积神经网络 注意力机制 成本预测 深度学习

在线阅读 下载PDF 职称材料

基于序列成分重组与时序自注意力机制改进TCN-BiLSTM的短期电力负荷预测

19

作者 易雅雯 娄素华 《电力系统及其自动化学报》 北大核心 2025年第4期78-87,共10页

针对区域级电力负荷预测精度较低的问题,提出一种基于序列成分重组与时序自注意力机制改进时间卷积网络-双向长短期记忆网络(TCN-BiLSTM)的短期负荷预测方法。首先,通过中心频率法确定最佳初始分解数目,进而采用变分模态分解算法将原始... 针对区域级电力负荷预测精度较低的问题,提出一种基于序列成分重组与时序自注意力机制改进时间卷积网络-双向长短期记忆网络(TCN-BiLSTM)的短期负荷预测方法。首先,通过中心频率法确定最佳初始分解数目,进而采用变分模态分解算法将原始负荷序列分解为多个不同频率的成分序列;其次,基于各成分序列的样本熵对多个成分序列进行K均值聚类,以获得最佳聚类数量的重组负荷序列分量;接着,将各重组分量输入所提出的负荷预测模型,获得各重组分量预测结果;最终,线性叠加各重组成分序列预测结果以获得最终负荷预测结果。算例分析表明,该方法与其他相关对比模型相比,预测均方根误差降低46.37%、模型拟合效果平均提升3.24%,表明该方法负荷预测精度高、模型拟合效果好,适用于区域级电力负荷预测。 展开更多

关键词 负荷预测 变分模态分解 样本熵 K均值聚类 时序自注意力机制 时间卷积网络 双向长短期记忆网络

在线阅读 下载PDF 职称材料

基于超参数优化的重质碳酸钙粉体粒度预测研究

20

作者 黄何 邹帅 +1 位作者 杨靖 黄福川 《电子测量技术》 北大核心 2025年第4期51-61,共11页

重质碳酸钙粉磨系统中,粒度是衡量产品质量的关键指标之一,准确预测粒度有助于控制产品质量并指导立磨(VRM)进行参数调节。因此,该研究提出了一种基于常春藤算法(IVYA)的双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)相结合的重钙... 重质碳酸钙粉磨系统中,粒度是衡量产品质量的关键指标之一,准确预测粒度有助于控制产品质量并指导立磨(VRM)进行参数调节。因此,该研究提出了一种基于常春藤算法(IVYA)的双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)相结合的重钙粉体粒度预测模型。首先对特征和标签数据进行预处理,利用时变滤波经验模态分解联合小波阈值去除分级机电流中的高频噪声;然后通过BiTCN从前后两个方向挖掘时间序列中多维特征间的关联性,在BiGRU输出端融入注意力模块赋予每一个位置不同的权重,从而有效关注序列中的的关键数据。其次,在整个模型上引入IVYA寻找神经网络中关键超参数的最优解。最后,以某碳酸钙粉磨工厂实测数据为例进行模型实验。实验表明,IVYA优化后的模型相比较于其他单一模型和组合模型具有更高的预测性能,其均方根误差、平均绝对误差、平均相对百分误差和决定系数分别为:0.8244、0.4230、1.2954%、98.95%。 展开更多

关键词 双向时间卷积网络 双向门控循环单元 超参数优化 粒度预测

在线阅读 下载PDF 职称材料