为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方...为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方法对地铁应急处置流程的文本资料进行命名实体识别,完成文本资料的知识抽取;其次,选用TransD模型对识别后实体数据进行知识推理,从而完成以实体和属性对为节点、关系对为边的知识图谱构建;最后,利用Neo4j图数据库对构建的地铁应急处置流程知识图谱进行了可视化展示和案例分析。研究结果表明,基于BiLSTM-CRF的知识抽取模型的精确率、召回率和F1值均达到了90%以上,且基于BiLSTM-CRF的TransD模型的推理结果准确率提升了22.92%,保证了知识图谱构建的准确性,可为地铁应急管理提供决策支持。展开更多
针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(sin...针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(singular spectrum analysis,SSA)双重分解的双向长短时记忆网络(bidirectional long and short time memory,BiLSTM)预测模型。首先,采用CEEMDAN对历史负荷进行分解,以得到若干个周期规律更为清晰的子序列;再利用多尺度熵(multiscale entropy,MSE)计算所有子序列的复杂程度,根据不同时间尺度上的样本熵值将相似的子序列重构聚合;然后,利用SSA去噪的功能,对高度复杂的新序列进行二次分解,去除序列中的噪声并提取更为主要的规律,从而进一步提高中长序列预测精度;再将得到的最终一组子序列输入BiLSTM进行预测;最后,考虑到天气、节假日等外部因素对电力负荷的影响,提出了一种误差修正技术。选取了巴拿马某地区的用电负荷进行实验,实验结果表明,经过双重分解可以将均方根误差降低87.4%;预测未来一年的负荷序列时,采用的BiLSTM模型将拟合系数最高提高2.5%;所提出的误差修正技术可将均方根误差降低9.7%。展开更多
选取中国大陆及邻区32个地磁台站的地磁场要素即磁偏角D、地磁场水平分量H、垂直分量Z的时均值数据,利用磁静条件筛选并剔除异常值,之后通过月均值年差分得到主磁场各要素的长期变化序列,利用长短时记忆神经网络(LSTM)建立了未来一年台...选取中国大陆及邻区32个地磁台站的地磁场要素即磁偏角D、地磁场水平分量H、垂直分量Z的时均值数据,利用磁静条件筛选并剔除异常值,之后通过月均值年差分得到主磁场各要素的长期变化序列,利用长短时记忆神经网络(LSTM)建立了未来一年台站各要素数据的预测模型。预测结果表明:LSTM模型预测的D要素均方根误差(RMSE)和归一化均方根误差(NRMSE)的平均值为1.139′和0.040,H分量的RMSE和NRMSE的平均值为11.85 n T和0.086,Z分量的RMSE和NRMSE的平均值为15.10 n T和0.026;LSTM模型对Z分量的预测精度最高,其次是D要素,最差的是H分量。分别计算由LSTM模型、线性外推、二次外推得到的台站各要素年变率误差,结果显示:对于D要素,LSTM预测结果的RMSE平均值为0.361′/a,较线性外推法提高了54%,较二次外推法提高了59%;对于H分量,LSTM预测结果的RMSE平均值为3.921 n T/a,较线性外推法提高了58%,较二次外推法提高了76%;对于Z分量,LSTM预测结果的RMSE平均值为4.339 n T/a,较线性外推法提高了47%,较二次外推法提高了57%。展开更多
文摘为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方法对地铁应急处置流程的文本资料进行命名实体识别,完成文本资料的知识抽取;其次,选用TransD模型对识别后实体数据进行知识推理,从而完成以实体和属性对为节点、关系对为边的知识图谱构建;最后,利用Neo4j图数据库对构建的地铁应急处置流程知识图谱进行了可视化展示和案例分析。研究结果表明,基于BiLSTM-CRF的知识抽取模型的精确率、召回率和F1值均达到了90%以上,且基于BiLSTM-CRF的TransD模型的推理结果准确率提升了22.92%,保证了知识图谱构建的准确性,可为地铁应急管理提供决策支持。
文摘针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(singular spectrum analysis,SSA)双重分解的双向长短时记忆网络(bidirectional long and short time memory,BiLSTM)预测模型。首先,采用CEEMDAN对历史负荷进行分解,以得到若干个周期规律更为清晰的子序列;再利用多尺度熵(multiscale entropy,MSE)计算所有子序列的复杂程度,根据不同时间尺度上的样本熵值将相似的子序列重构聚合;然后,利用SSA去噪的功能,对高度复杂的新序列进行二次分解,去除序列中的噪声并提取更为主要的规律,从而进一步提高中长序列预测精度;再将得到的最终一组子序列输入BiLSTM进行预测;最后,考虑到天气、节假日等外部因素对电力负荷的影响,提出了一种误差修正技术。选取了巴拿马某地区的用电负荷进行实验,实验结果表明,经过双重分解可以将均方根误差降低87.4%;预测未来一年的负荷序列时,采用的BiLSTM模型将拟合系数最高提高2.5%;所提出的误差修正技术可将均方根误差降低9.7%。
文摘选取中国大陆及邻区32个地磁台站的地磁场要素即磁偏角D、地磁场水平分量H、垂直分量Z的时均值数据,利用磁静条件筛选并剔除异常值,之后通过月均值年差分得到主磁场各要素的长期变化序列,利用长短时记忆神经网络(LSTM)建立了未来一年台站各要素数据的预测模型。预测结果表明:LSTM模型预测的D要素均方根误差(RMSE)和归一化均方根误差(NRMSE)的平均值为1.139′和0.040,H分量的RMSE和NRMSE的平均值为11.85 n T和0.086,Z分量的RMSE和NRMSE的平均值为15.10 n T和0.026;LSTM模型对Z分量的预测精度最高,其次是D要素,最差的是H分量。分别计算由LSTM模型、线性外推、二次外推得到的台站各要素年变率误差,结果显示:对于D要素,LSTM预测结果的RMSE平均值为0.361′/a,较线性外推法提高了54%,较二次外推法提高了59%;对于H分量,LSTM预测结果的RMSE平均值为3.921 n T/a,较线性外推法提高了58%,较二次外推法提高了76%;对于Z分量,LSTM预测结果的RMSE平均值为4.339 n T/a,较线性外推法提高了47%,较二次外推法提高了57%。
