检索结果-维普期刊中文期刊服务平台

基于组合模型的城市轨道站点短时客流分类预测被引量：12: 1; 作者王金水欧雪雯 +1 位作者陈俊岩唐郑熠《铁道科学与工程学报》 EI CAS CSCD 北大核心 2023年第6期2004-2012,共9页; 轨道交通客流预测是轨道交通线网规划的重要内容,是确定轨道交通系统的线网规模、设置轨道站点及布设线路基础。不同类型的轨道站点在城市中的功能定位和布局要求等方面均存在差异,进而导致站点的进出客流量呈现显著的时空分布不均衡性... 展开更多; 关键词智能交通短时客流量预测组合预测模型多源数据随机森林门控制循环单元; 在线阅读下载PDF 职称材料

融入自注意力机制的深度学习情感分析方法被引量：19: 2; 作者胡艳丽童谭骞 +1 位作者张啸宇彭娟《计算机科学》 CSCD 北大核心 2022年第1期252-258,共7页; 文本情感极性分析是自然语言处理的热点领域,近年来基于中文语料的情感分析方法受到了学术界的广泛关注。目前大部分基于词向量的循环神经网络与卷积神经网络模型对于文本特征的提取和保留能力不足,为此文中引入了多层自注意力机制,提... 展开更多; 关键词情感分析自注意力机制双向门控制循环单元多粒度卷积神经网络; 在线阅读下载PDF 职称材料

基于BO-GRU的混凝土坝变形预测模型被引量：13: 3; 作者李其峰杨杰 +1 位作者程琳仝飞《水资源与水工程学报》 CSCD 北大核心 2021年第4期180-184,193,共6页; 针对混凝土坝变形具有较强的非线性特点、目前大坝变形预测模型出现参数过多及易陷入局部最优等问题,提出了一种深度学习中的门控制循环单元(GRU)模型,并结合贝叶斯优化算法(BO)对门控制循环单元的超参数进行优化,建立BO-GRU模型应用于... 展开更多; 关键词混凝土坝变形预测深度学习门控制循环单元贝叶斯优化算法; 在线阅读下载PDF 职称材料

改进EEMD-GRU混合模型在径流预报中的应用被引量：8: 4; 作者刘扬王立虎 +1 位作者杨礼波刘雪梅《智能系统学报》 CSCD 北大核心 2022年第3期480-487,共8页; 为解决径流预测模型存在的预测精确度低、稳定性差、延时高等问题,结合门控制循环单元神经网络(gated recurrent unit,GRU),集合经验模态分解(ensemble empirical mode decomposition,EEMD)的各自优点,提出一种基于改进EEMD方法的深度... 展开更多; 关键词径流预报集合经验模态分解深度学习门控制循环单元神经网络并行计算混合模型时序预测工程应用; 在线阅读下载PDF 职称材料

基于HBA-GRU的水电站大坝变形监控模型研究: 5; 作者黄勇刘昱玚 +3 位作者宋璇宋锦焘朱海晨张盛飞《电网与清洁能源》 2025年第9期95-100,共6页; 大坝是水电站核心的挡水建筑物,大坝变形规律的精准监控是保障水电站安全的重要手段。针对大坝变形非线性强的特点以及监控模型参数影响的问题,融合先进深度学习和仿生优化算法,利用蜜獾优化算法(honey badger optimization algorithm,H... 展开更多; 关键词水电站大坝安全监控变形预测深度学习门控制循环单元蜜獾优化算法; 在线阅读下载PDF 职称材料

题名基于组合模型的城市轨道站点短时客流分类预测被引量：12: 1; 作者王金水欧雪雯陈俊岩唐郑熠; 机构福建工程学院计算机科学与数学学院福建省大数据挖掘与应用重点实验室; 出处《铁道科学与工程学报》 EI CAS CSCD 北大核心 2023年第6期2004-2012,共9页; 基金福建省自然科学基金资助项目(2022J01933) 湖南工商大学移动商务智能湖南省重点实验室开放研究基金资助项目(2015TP1002)。; 文摘轨道交通客流预测是轨道交通线网规划的重要内容,是确定轨道交通系统的线网规模、设置轨道站点及布设线路基础。不同类型的轨道站点在城市中的功能定位和布局要求等方面均存在差异,进而导致站点的进出客流量呈现显著的时空分布不均衡性。为了挖掘各类型站点的客流变化规律,将站点自身特征和周边环境特征组成向量因子,运用K-means聚类方法对站点进行分类。在此基础上,将影响乘客出行的多源数据作为输入特征,分别构建了随机森林(RF)模型、门控制循环单元(GRU)模型以及RF-GRU组合模型,从而进行站点短时客流分类预测。利用杭州地铁站自动检票系统(AFC)采集的刷卡客流数据,对所构建的预测模型的有效性进行检验。研究结果表明:利用7个刻画站点自身特征和周边环境特征的参数作为聚类因子,并结合站点客流时间分布数据,可将杭州市地铁站点分为就业导向型车站、职住混合型车站和住宅偏远型车站;采用平均绝对误差以及均方根误差作为评价指标,参数化模型(ARIMA),非参数化模型(SVR),深度学习模型(LSTM,GRU,SAEs和GCN),组合模型(DCRNN,STGCN,STHGCN和DSTHGCN)的预测误差依次降低,其中RF-GRU组合模型的预测精度优于其他的组合模型;对站点进行分类之后,单一模型和组合模型预测结果的精度均有提高。; 关键词智能交通短时客流量预测组合预测模型多源数据随机森林门控制循环单元; Keywords intelligent transportation short-time passenger flow prediction combined prediction model multisource data random forest gated recurrent unit; 分类号 U231 [交通运输工程—道路与铁道工程] TP399 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名融入自注意力机制的深度学习情感分析方法被引量：19: 2; 作者胡艳丽童谭骞张啸宇彭娟; 机构国防科技大学信息系统工程重点实验室; 出处《计算机科学》 CSCD 北大核心 2022年第1期252-258,共7页; 基金国家自然科学基金(61302144,61902417)。; 文摘文本情感极性分析是自然语言处理的热点领域,近年来基于中文语料的情感分析方法受到了学术界的广泛关注。目前大部分基于词向量的循环神经网络与卷积神经网络模型对于文本特征的提取和保留能力不足,为此文中引入了多层自注意力机制,提出了一种结合双向门控循环单元(BGRU)和多粒度卷积神经网络的中文情感极性分析方法。该方法首先使用BGRU获取文本的序列化特征信息,然后使用自注意力机制进行初步特征筛选,将处理后的特征信息导入含有不同卷积核的卷积神经网络;再使用自注意力机制对获得的局部特征进行动态权重的调整,注重关键特征的抽取;最后经Softmax获得文本情感极性。实验结果证明,模型在两种中文语料数据集上都体现了较好的分析处理性能,其中在ChineseNLPcorpus的online;hopping;0;ats数据集上取得了92.94%的情感分类准确性,在中科院谭松波学者整理的酒店评论数据集上取得了92.75%的情感分类准确度,相比目前的主流方法,其性能均有显著的提升。; 关键词情感分析自注意力机制双向门控制循环单元多粒度卷积神经网络; Keywords Sentiment analysis Self-attention mechanism Bi-directional gated recurrent unit Multi-scale convolution neural network; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于BO-GRU的混凝土坝变形预测模型被引量：13: 3; 作者李其峰杨杰程琳仝飞; 机构西安理工大学省部共建西北旱区生态水利国家重点实验室西安理工大学水利水电学院; 出处《水资源与水工程学报》 CSCD 北大核心 2021年第4期180-184,193,共6页; 基金陕西省水利科技计划项目(2018SLKJ-5) 自然科学基础研究计划-引汉济渭联合基金项目(2019JLM-55)。; 文摘针对混凝土坝变形具有较强的非线性特点、目前大坝变形预测模型出现参数过多及易陷入局部最优等问题,提出了一种深度学习中的门控制循环单元(GRU)模型,并结合贝叶斯优化算法(BO)对门控制循环单元的超参数进行优化,建立BO-GRU模型应用于混凝土坝变形预测。为检验模型的可行性,以实测变形监测数据为基础,并与极限学习机、相关向量机和基于遗传算法优化的支持向量机等模型预测结果进行对比。结果表明:该模型的泛化能力强、运行效率高,能有效运用于混凝土坝的变形预测。; 关键词混凝土坝变形预测深度学习门控制循环单元贝叶斯优化算法; Keywords concrete dam deformation prediction deep learning gated recurrent unit(GRU) Bayesian optimization algorithm(BO); 分类号 TV698.11 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名改进EEMD-GRU混合模型在径流预报中的应用被引量：8: 4; 作者刘扬王立虎杨礼波刘雪梅; 机构华北水利水电大学信息工程学院; 出处《智能系统学报》 CSCD 北大核心 2022年第3期480-487,共8页; 基金河南省水利科技攻关项目(GG202042).; 文摘为解决径流预测模型存在的预测精确度低、稳定性差、延时高等问题,结合门控制循环单元神经网络(gated recurrent unit,GRU),集合经验模态分解(ensemble empirical mode decomposition,EEMD)的各自优点,提出一种基于改进EEMD方法的深度学习模型(EEMD-GRU)。该模型首先以智能算法对径流信号进行边界拓延,以解决EEMD边界效应。然后利用改进EEMD方法将径流信号分解为若干稳态分量,将各分量作为GRU模型的输入并对其进行预测。实验结果表明,与结合了经验模态分解的支持向量回归模型相比,并行EEMDGRU径流预测模型的预测精准度、可信度和效率分别提高82.50%、144.67%和95.49%。基于EEMD-GRU的最优运算结果表明,该方法可进一步减少区域防洪的经济损失,提高灾害监管的工作效率。; 关键词径流预报集合经验模态分解深度学习门控制循环单元神经网络并行计算混合模型时序预测工程应用; Keywords runoff prediction ensemble empirical mode decomposition deep learning gated recurrent unit parallel computing hybrid model time series prediction engineering application; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程] TV124 [水利工程—水文学及水资源]; 在线阅读下载PDF 职称材料

题名基于HBA-GRU的水电站大坝变形监控模型研究: 5; 作者黄勇刘昱玚宋璇宋锦焘朱海晨张盛飞; 机构中国电建集团西北勘测设计研究院有限公司; 出处《电网与清洁能源》 2025年第9期95-100,共6页; 基金国家自然科学基金青年基金(52109166) 贵州省科技重大专项([2024]008-1)。; 文摘大坝是水电站核心的挡水建筑物,大坝变形规律的精准监控是保障水电站安全的重要手段。针对大坝变形非线性强的特点以及监控模型参数影响的问题,融合先进深度学习和仿生优化算法,利用蜜獾优化算法(honey badger optimization algorithm,HBA)对深度学习门控制循环单元(gated recurrent unit,GRU)模型的超参数进行优化,建立HBA-GRU组合模型应用于水电站大坝变形监控预测。通过某水电站面板堆石坝变形监测数据实证结果显示,提出的组合模型在保持较高预测准确性的同时展现出良好的泛化性能,可为同类型水电站工程安全监控模型的构建提供有效技术支撑。; 关键词水电站大坝安全监控变形预测深度学习门控制循环单元蜜獾优化算法; Keywords hydropower station dams safety monitoring displacement prediction deep learning gated recurrent unit(GRU) honey badger optimization algorithm(HBA); 分类号 TV698.1 [水利工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于组合模型的城市轨道站点短时客流分类预测	王金水欧雪雯陈俊岩唐郑熠	《铁道科学与工程学报》 EI CAS CSCD 北大核心	2023	12	在线阅读下载PDF 职称材料
2	融入自注意力机制的深度学习情感分析方法	胡艳丽童谭骞张啸宇彭娟	《计算机科学》 CSCD 北大核心	2022	19	在线阅读下载PDF 职称材料
3	基于BO-GRU的混凝土坝变形预测模型	李其峰杨杰程琳仝飞	《水资源与水工程学报》 CSCD 北大核心	2021	13	在线阅读下载PDF 职称材料
4	改进EEMD-GRU混合模型在径流预报中的应用	刘扬王立虎杨礼波刘雪梅	《智能系统学报》 CSCD 北大核心	2022	8	在线阅读下载PDF 职称材料
5	基于HBA-GRU的水电站大坝变形监控模型研究	黄勇刘昱玚宋璇宋锦焘朱海晨张盛飞	《电网与清洁能源》	2025		在线阅读下载PDF 职称材料