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
超短期电力负荷预测作为电力系统的基本组成,能为生产调度计划的制定提供重要依据。然而,电力负荷具有非线性、时变性和不确定性,充分挖掘其潜在特征并分别预测,是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local...超短期电力负荷预测作为电力系统的基本组成,能为生产调度计划的制定提供重要依据。然而,电力负荷具有非线性、时变性和不确定性,充分挖掘其潜在特征并分别预测,是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local iterative filtering,ALIF)的BiGRU-Attention-XGBoost电力负荷组合预测模型。该模型基于ALIF-SE实现将历史负荷序列分解重组为周期序列、波动序列和趋势序列;通过Attention机制对BiGRU模型进行改进,并结合XGBoost模型构建基于时变权重组合的电力负荷预测模型。实验分析表明,输入模型数据经过ALIF-SE处理后预测精度有明显提升;所提组合模型在工作日和节假日均具有较好的预测效果,预测误差大部分在5%以下;通过在不同负荷数据集下进行实验对比,验证了所提预测方法的可迁移性。实验结果证明,所提模型具有有效性、准确性和可行性。展开更多
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。
文摘针对盾构姿态预测模型存在易过拟合、预测精度低的问题,提出一种基于融合注意力机制的盾构姿态组合预测模型。为强化有效特征的提取,抑制冗余特征信息的表达,引入基于选择性卷积核网络(selective kernel networks,SKNet)的特征注意力机制提取网络,消除固定尺寸卷积核带来的限制,并自适应形成带有注意力的特征映射。为更好地捕捉长期信息和特征模式,通过双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)、门控循环单元(gated recurrent unit, GRU)得到2组隐含输出结果,再利用多头注意力机制,捕获组合模型输出的隐含特征与模型输出的盾构姿态之间的依赖关系,进一步提高预测模型对重要隐含特征的信息抓捕能力;同时,为解决地质勘察钻孔数据连续性差、精确性不足,难以应用于机器学习模型训练的问题,将基于人工先验知识的二级特征引入模型特征输入,提升模型对地层信息的感知能力。最后,基于广州地铁12号线官洲站—大学城北站盾构实例,对模型不同参数结构下的性能进行研究,并进行对比试验验证模型性能,采用可解释性试验评估特征对预测结果的影响。试验结果表明,相比其他预测模型,所提出的预测模型优越性更好,预测精度更高,解决了长时间序列高特征维度数据在传统模型下易过拟合且预测精度较低的问题。
文摘超短期电力负荷预测作为电力系统的基本组成,能为生产调度计划的制定提供重要依据。然而,电力负荷具有非线性、时变性和不确定性,充分挖掘其潜在特征并分别预测,是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local iterative filtering,ALIF)的BiGRU-Attention-XGBoost电力负荷组合预测模型。该模型基于ALIF-SE实现将历史负荷序列分解重组为周期序列、波动序列和趋势序列;通过Attention机制对BiGRU模型进行改进,并结合XGBoost模型构建基于时变权重组合的电力负荷预测模型。实验分析表明,输入模型数据经过ALIF-SE处理后预测精度有明显提升;所提组合模型在工作日和节假日均具有较好的预测效果,预测误差大部分在5%以下;通过在不同负荷数据集下进行实验对比,验证了所提预测方法的可迁移性。实验结果证明,所提模型具有有效性、准确性和可行性。
文摘碳价是碳市场的核心要素,碳价波动受到众多因素及其时滞效应的影响。为精准预测全国碳市场碳排放配额(Chinese emission allowances,CEA)价格,从关联碳市场、经济发展、国外能源、国内能源和人民币汇率五个维度选取结构化影响因素,从经济政策、环境影响和用户意愿三个维度爬取来自百度搜索引擎的非结构化影响因素,然后引入MIV-BP模型筛选主要的影响因素,并基于最大信息系数(maximum information coefficient,MIC)对碳价以及多源影响因素进行时滞估计。在此基础上,构建融合多源信息的碳价时滞组合预测模型MIC-LSTM-BP,并和基准模型LSTM、BP、LSTM-BP以及时滞基准模型MIC-LSTM、MIC-BP、MIC-LSTM-GBDT进行对比分析,以验证新模型的有效性。结果表明,时滞信息的引入有助于提升模型的预测精度;相较于基准模型和时滞基准模型,MICLSTM-BP模型预测CEA价格精度最高,价格波动追随能力最好。
