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
待分解信号复杂度增大时传统单信号分解技术易产生过高特征空间维度的高频本征模态函数(intrinsic mode function,IMF),从而严重限制了长短时记忆神经网络(long short term memory,LSTM)的长时序预报能力。以舟山群岛南部外海某观测点...待分解信号复杂度增大时传统单信号分解技术易产生过高特征空间维度的高频本征模态函数(intrinsic mode function,IMF),从而严重限制了长短时记忆神经网络(long short term memory,LSTM)的长时序预报能力。以舟山群岛南部外海某观测点所收集的海浪数据为基础,提出融合ICEEMDAN-VMD级联分解策略和LSTM的混合模型。该混合模型准确捕捉海洋波浪的非线性特征和长时序依赖规律,提高了复杂海况下对有效波高、有效波周期、波向的长时预报能力。与多变量LSTM模型相比,混合模型的48 h和72 h有效波高预测均方根误差(root mean square error,RMSE)降幅分别为53.9%和33.8%,有效波周期预测RMSE降幅分别为46.1%和39.1%,波向预测RMSE降幅分别为30.5%和23.9%。与EMD-LSTM模型相比,混合模型有效波高、有效波周期、波向的RMSE平均降幅分别为13.52%、17.79%、15.39%。展开更多
目的预测辽宁个人卫生支出占卫生总费用比重的变化趋势,为辽宁未来卫生健康、医疗保障相关政策制定提供参考依据。方法利用主成分分析法将影响个人卫生支出占比的多个因素进行降维处理,并将主成分得分输入长短时记忆神经网络(long short...目的预测辽宁个人卫生支出占卫生总费用比重的变化趋势,为辽宁未来卫生健康、医疗保障相关政策制定提供参考依据。方法利用主成分分析法将影响个人卫生支出占比的多个因素进行降维处理,并将主成分得分输入长短时记忆神经网络(long short term memory network,LSTM)神经网络模型进行变化趋势预测。结果前3个主成分特征值均大于1且累积方差贡献率达84.592%,主成分分析(principal components analysis,PCA)-LSTM模型的预测结果显示未来9年辽宁个人卫生支出占比会呈缓慢下降趋势。2025年、2030年的预测值均略高于规划值。结论辽宁个人卫生支出占比缓步下降,实现规划目标任务有一定难度,应合理控制个人卫生支出上涨,加大政府卫生支出力度,完善多元筹资机制。展开更多
在移动通信网络快速发展的背景下,蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点,提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先,采用自适应噪声的完备集合经验模式分解(c...在移动通信网络快速发展的背景下,蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点,提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先,采用自适应噪声的完备集合经验模式分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法将原始流量分解为多个子序列,利用K-Shape聚类算法重构为频率序列和趋势序列。为了更细致地揭示数据的内在结构,运用变分模态分解(variational mode decomposition,VMD)方法对频率序列进行二次分解,生成多维频率序列。然后,将一维趋势序列和多维频率序列分别输入至局部特征提取模块,其中单通道特征提取层利用一维卷积神经网络(one-dimensional convolution neural network,1DCNN)提取一维趋势序列的局部特征,而多通道特征提取层则结合卷积块注意力模块(convolutional block attention module,CBAM)捕捉多维频率序列中的关键信息。紧接着将提取到的特征向量分别输入到时序信息学习模块中,利用双向长短时记忆(bidirectional long short term memory,BiLSTM)网络和注意力机制学习时序变化规律,完成预测流量的输出。最后,通过对趋势序列和频率序列的预测结果求和,实现对蜂窝流量的准确预测。为了验证所提方法的有效性,利用公开数据集进行实验验证,并与多种不同方法进行对比。实验结果表明,所提预测方法展现出更优的预测性能,为蜂窝网络的智能管理和优化提供了有力支持。展开更多
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%。
文摘待分解信号复杂度增大时传统单信号分解技术易产生过高特征空间维度的高频本征模态函数(intrinsic mode function,IMF),从而严重限制了长短时记忆神经网络(long short term memory,LSTM)的长时序预报能力。以舟山群岛南部外海某观测点所收集的海浪数据为基础,提出融合ICEEMDAN-VMD级联分解策略和LSTM的混合模型。该混合模型准确捕捉海洋波浪的非线性特征和长时序依赖规律,提高了复杂海况下对有效波高、有效波周期、波向的长时预报能力。与多变量LSTM模型相比,混合模型的48 h和72 h有效波高预测均方根误差(root mean square error,RMSE)降幅分别为53.9%和33.8%,有效波周期预测RMSE降幅分别为46.1%和39.1%,波向预测RMSE降幅分别为30.5%和23.9%。与EMD-LSTM模型相比,混合模型有效波高、有效波周期、波向的RMSE平均降幅分别为13.52%、17.79%、15.39%。
文摘目的预测辽宁个人卫生支出占卫生总费用比重的变化趋势,为辽宁未来卫生健康、医疗保障相关政策制定提供参考依据。方法利用主成分分析法将影响个人卫生支出占比的多个因素进行降维处理,并将主成分得分输入长短时记忆神经网络(long short term memory network,LSTM)神经网络模型进行变化趋势预测。结果前3个主成分特征值均大于1且累积方差贡献率达84.592%,主成分分析(principal components analysis,PCA)-LSTM模型的预测结果显示未来9年辽宁个人卫生支出占比会呈缓慢下降趋势。2025年、2030年的预测值均略高于规划值。结论辽宁个人卫生支出占比缓步下降,实现规划目标任务有一定难度,应合理控制个人卫生支出上涨,加大政府卫生支出力度,完善多元筹资机制。
文摘在移动通信网络快速发展的背景下,蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点,提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先,采用自适应噪声的完备集合经验模式分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法将原始流量分解为多个子序列,利用K-Shape聚类算法重构为频率序列和趋势序列。为了更细致地揭示数据的内在结构,运用变分模态分解(variational mode decomposition,VMD)方法对频率序列进行二次分解,生成多维频率序列。然后,将一维趋势序列和多维频率序列分别输入至局部特征提取模块,其中单通道特征提取层利用一维卷积神经网络(one-dimensional convolution neural network,1DCNN)提取一维趋势序列的局部特征,而多通道特征提取层则结合卷积块注意力模块(convolutional block attention module,CBAM)捕捉多维频率序列中的关键信息。紧接着将提取到的特征向量分别输入到时序信息学习模块中,利用双向长短时记忆(bidirectional long short term memory,BiLSTM)网络和注意力机制学习时序变化规律,完成预测流量的输出。最后,通过对趋势序列和频率序列的预测结果求和,实现对蜂窝流量的准确预测。为了验证所提方法的有效性,利用公开数据集进行实验验证,并与多种不同方法进行对比。实验结果表明,所提预测方法展现出更优的预测性能,为蜂窝网络的智能管理和优化提供了有力支持。
