LSTM

摘要： The porosity of gravel riverbed material often is an essential parameter to estimate the sediment transport rate,groundwater-river flow interaction,river ecosystem,and fluvial geomorphology.Current methods of porosity estimation are time-consuming in simulation.To evaluate the relation between porosity and grain size distribution(GSD),this study proposed a hybrid model of deep learning Long Short-Term Memory(LSTM)combined with the Discrete Element Method(DEM).The DEM is applied to model the packing pattern of gravel-bed structure and fine sediment infiltration processes in threedimensional(3D)space.The combined approaches for porosity calculation enable the porosity to be determined through real time images,fast labeling to be applied,and validation to be done.DEM outputs based on the porosity dataset were utilized to develop the deep learning LSTM model for predicting bed porosity based on the GSD.The simulation results validated with the experimental data then segregated into 800 cross sections along the vertical direction of gravel pack.Two DEM packing cases,i.e.,clogging and penetration are tested to predict the porosity.The LSTM model performance measures for porosity estimation along the z-direction are the coefficient of determination(R^(2)),root mean squared error(RMSE),and mean absolute error(MAE)with values of 0.99,0.01,and 0.01 respectively,which is better than the values obtained for the Clogging case which are 0.71,0.14,and 0.03,respectively.The use of the LSTM in combination with the DEM model yields satisfactory results in a less complex gravel pack DEM setup,suggesting that it could be a viable alternative to minimize the simulation time and provide a robust tool for gravel riverbed porosity prediction.The simulated results showed that the hybrid model of the LSTM combined with the DEM is reliable and accurate in porosity prediction in gravel-bed river test samples.

摘要： 随着环境空气质量日趋重要,PM2.5浓度也逐渐受到重视.以北亡市某空气质量监测站2010.1.1～2014.12.31的PM2.5浓度的小时数据以及对应的气象数据作为样本进行实验.首先对数据进行预处理,考虑到PM2.5前后关联性很强这一特点,将数据进行基二时间的滑动窗口处理以利用数据的时序性,然后对各气象因子进行皮尔逊相关分析,构建了5层长短期记忆(LSTM)网络模型,引入了学习率指数衰减方法,来预测1 h后的PM2.5浓度,并将其与Lasso回归、支持向量回归(SVR)模型、XGBoost模型对比,发现构建的LSTM模型预测效果最好.

摘要： 传统设备故障诊断方法通常基于单一的机理知识或运行数据,难以解决多复杂工况、多故障类型的设备故障问题.针对以上问题,提出了一种基于知识和数据融合驱动的设备故障诊断方法,从单纯依赖机理知识或运行数据到两者融合驱动,进一步形成故障图谱诊断系统,不仅通过优化的双向长短时记忆网络模型对设备运行数据进行故障分类,而且可以展示详细故障信息以及相似故障.经实验分析验证,故障诊断准确率平均达到95.03％,同时系统通过基于融合故障链的知识图谱进行辅助决策,返回故障相关信息.对比传统分类模型准确率表现突出,并实现了机理知识与数据驱动相融合的设备故障领域图谱构建.

摘要： 为解决煤矿瓦斯浓度预测问题,提出基于多因素的LSTM瓦斯浓度预测模型。模型首先对煤矿多源监测数据进行数据融合、缺失值处理;其次通过特征衍生、有监督化、无量纲化,融合各环境因素特征和时序数据的时间性特征,且衍生出更多交叉项特征和高次项特征;然后利用经验法和逐步试错法确定隐藏层维度;最后进行模型训练和测试。研究结果表明:基于多因素的LSTM瓦斯浓度预测模型的RMSE仅为0.021,MAE为0.01,比单因素LSTM模型、RNN模型预测效果好。因此,基于多因素的LSTM瓦斯浓度预测模型可更精准地进行瓦斯浓度多步预测,促进煤矿安全生产。

摘要： ARIMA、LSTM等多种预测模型已在时间序列预测中得到应用,预测精度参差不齐。ARIMA、LSTM以及ARIMALSTM组合模型的预测精度仍有提升空间。为LSTM引入注意力机制形成AT-LSTM模型,将ARIMA的预测残差引入ATLSTM,进一步提高预测精度。利用不同的评估方法对混合模型进行评估,实验结果表明ARIMA和AT-LSTM组合模型的误差降低4倍,预测精度得到了提高。

摘要： 为了加快车务段管理部门的信息化建设,推动大数据技术在车务段日常工作和管理上的应用,设计并实现基于Python-Flask框架的车务段安全信息分析与辅助决策系统。分析系统设计的目标与原则,分别从功能、逻辑和技术3个方面阐述系统架构。对系统的各功能模块深入研究,包括基础信息管理模块、统计分析与可视化模块和辅助决策模块。针对可视化模块,采用Flask-cache模块对系统中的部分视图函数、业务函数进行缓存,并利用Redis作为Flask缓存后端,提高了系统的访问速度及性能。针对辅助决策模块,采用预警阈值算法,以邮件预警方式进行风险预警,引入长短期记忆神经网络(LSTM)的深度学习模型,预测数据趋势达到辅助分配管理资源与风险评估的作用。经实际应用验证,显著提高了日常工作效率与决策管理效率。

摘要： 本文分析了雷达回波外推的主要技术和存在问题,按照雷达回波外推技术的特点,对ConvLSTM模型进行了分析阐述,设计了基于ConvLSTM雷达回波外推网络模型。使用山西省大同市2019-6-1~2019-6-6共1191幅雷达站基本反射率图进行作为基数据,对其进行了分析和处理,包括图像的裁剪与灰度化以及数据的建模和可视化。最后,对ConvLSTM模型进行了建立和分析,使用建好的ConvLSTM模型对处理后的回波数据集进行训练和测试,并对外推结果进行了评估。结果表明本实验对于图像的特征提取有效,具有较好的外推预报能力。

摘要： 为解决传统的光伏发电量预测中数据特征方程较为粗糙、预测精度不高等问题,提出一种基于PSO-Soft attention双向LSTM算法的光伏发电功率预测算法,在前向传播过程中通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,同时优化了双向LSTM网络的反向传播过程,加入了Soft attention机制使模型收敛性更强,重新构造该模型为八层网络结构且采用两层卷积层,同时解析了PSO-Soft attention双向LSTM算法的光伏发电功率预测过程。实验结果表明,相较于SVM模型以及LSTM模型,所提预测模型的预测精度提升了2%左右。

摘要： 针对传统LSTM方法不能合理利用在线数据的问题,提出了参数实时更新的改进LSTM方法并建立了有效的退化趋势预测模型。首先,依据获取的历史资料离线生成LSTM预测模型;然后,在采集在线观测数据时用已有模型前向计算方式得到预测值;最后,将新增的观测数据做为前一个采样阶段时刻的真实值,将预测值与真实值之间的偏差累积到一个整体的误差中并使用误差最小化计算方法不断地修正和更新模型参数。试验结果表明,改进LSTM方法可以准确、高效地对小样本数据的轴承退化趋势进行预测,预测准确度和模型训练时间比传统的BPNN,SVR,LSTM方法更具优越性。

摘要： 随着互联网的发展,网购风行千家万户,商品服务在线评价对用户决策产生很大影响。但网上评价门槛较低,其中不乏虚假评价,极大影响了消费者与商家权益。针对此问题,提出一种基于CNN-LSTM模型与迁移学习相结合的虚假评论检测方法。使用CNN-LSTM算法,结合Doc2Vec与TF-IDF方法,将评价文本向量化后作为特征,利用Glove数据集进行迁移学习。与其他方法进行对比验证,结果显示该检测方法检测与识别准确率更高,在英文酒店评论数据集deceptive-opinion-spam-corpus上的实验测试中,正确率达到了93.1%。

摘要： 本发明提供了一种基于LSTM的掌静脉识别方法，人工标注掌静脉图像数据进而训练出FCN模型。通过卷积神经网络(CNN)计算标注过的掌静脉图像数据的特征向量，进而通过LSTM训练出掌静脉识别模型。将待识别的用户掌静脉数据输入到掌静脉识别模型进行比对，比对结果大于一定阈值，则认证成功，否则认证失败。相比传统的特征点和基于纹理特征进行比对，基于LSTM‑CNN模型训练，针对时间、温度变化，无论效率、准确率都有大幅地提高。

摘要： 本发明提供一种基于LSTM神经网络的周跳探测和修复方法，通过长短时记忆网络(LSTM)对时序载波相位测量值的特征数据进行回归预测，并以多普勒信息进行辅助，实现了对GNSS载波相位测量值周跳的探测和修复。本发明包括以下步骤：(1)采集载波相位测量值和多普勒值，并对数据做预处理；(2)设计用于预测载波相位测量值的特征数据的LSTM神经网络；(3)使用LSTM神经网络处理数据集；(4)利用LSTM神经网络输出结果探测和修复周跳；(5)更新历元信息，并重复执行步骤(1)到步骤(4)，直到处理完所有历元。最后得到周跳探测结果和周跳修复结果。经验证，本发明可以有效探测并修复大于0.3周的周跳。

摘要： 本发明提供一种基于电压积分和LSTM神经网络的容量估计方法，具体方法包括：1)通过实验室试验提取一个锂离子电池单体全生命周期恒流充电工况数据；2)计算所有循环中电压对时间的积分值并将其作为电池的老化特征；3)对该单体的电压积分和容量进行线性拟合；4)如果趋势线拟合程度的指标R2大于等于0.98，则以该单体的数据构建训练数据集，否则寻找新的满足要求的锂离子电池单体电压积分和容量数据构建训练数据集；5)利用构建好的训练数据集离线训练双层LSTM神经网络模型；6)将同类型的锂离子电池在恒流充电工况下的电压积分值输入训练好的双层LSTM模型估计该单体的容量，本发明的模型训练简单且容量估计精度高。

摘要： 本发明公开了一种基于小波分析和ARIMA‑LSTM的汽车销量预测方法，包括如下步骤：对已知的汽车销售量的时序数据进行数据预处理；对所述时序数据进行多次小波分解；对分解得到的各分量的序列进行平稳性检验，不平稳则进行差分处理，直到数据序列变成平稳数据序列；对经过平稳处理后的各分量的序列分别进行ARIMA训练并预测；将ARIMA训练过的数据进行小波重构；计算拟合值与真实值的残差；使用残差来训练LSTM网络；利用LSTM网络预测的残差对ARIMA模型的预测结果进行修正，实现最终预测。本发明结合时间序列分析和深度学习网络建立了新型预测模型，能够利用中小规模的历史汽车销售数据集实现对销售数据的准确预测，从而为汽车厂商提供数据支持。

摘要： 本发明涉及一种融合graph2vec、双层LSTM的车辆行程时间预测方法及系统，该方法包括：获取车辆历史出行轨迹数据，解析轨迹的相关特征信息，转换成键值对的形式存放，构建轨迹特征数据集；获取城市路网的路段唯一标识名与路段之间的邻接关系，构建拓扑空间数据集；对轨迹特征数据集中的特征因子与车辆行程时间进行相关性分析，选取强相关性的特征因子，并与拓扑空间数据集进行匹配，获取预测行程时间数据集；构建融合graph2vec、双层LSTM的车辆行程时间预测模型，将预测行程时间数据集输入到模型中，对车辆的行程时间进行预测，输出车辆行程时间。该方法及系统有利于更加精准的预测车辆行程时间，提高资源利用效率。

摘要： 本发明公开了一种基于EMD和改进LSTM的水质监测方法，包括以下步骤：步骤1、数据采集获取水质信息，水质信息包括社会指标、气象指标、水量指标和水质指标；步骤2、采用EMD算法对水质指标中的原始监测数据时间序列X(t)进行处理；步骤3、将步骤2处理好的数据用以训练模型，借助S‑SSA对LSTM神经网络的参数进行寻优，使得输入数据与LSTM神经网络结构更好的进行匹配；步骤4、LSTM神经网络将水质信息时间序列分成多个子LSTM网络并对其进行训练。本发明并通过对比实验验证了所提方法的优越性。本发明采用了EMD结合改进的LSTM方法，共同提高水质检测的精度。

摘要： 本发明公开了一种基于OpenCV和Bi‑LSTM的PDF信息结构化提取方法，涉及PDF文件内容提取以及自然语言处理的分类算法领域，首先读取PDF元数据，根据元数据与人工制定的过滤模板进行匹配，筛除不具有提取价值的PDF，然后使用提取PDF中的包含坐标的文本字符和表格轮廓，再利用Bi‑LSTM推理表格外文本和表格内文本类型，最后以行为单位根据文本类型进行逻辑推理，实现PDF信息结构化提取，以解决PDF中文本信息、表格信息的结构化提取难题。

摘要： 一种基于LSTM预测校正的储能多时间尺度优化控制方法，属于新能源电网储能控制技术领域，解决如何降低净负荷曲线的峰谷差和波动性，减轻系统调峰压力同时提高储能经济收益问题；采用LSTM对风电和负荷数据进行预测并计算预测净负荷数据；基于预测净负荷曲线构建预测规划模型，以调峰效果为目标，考虑储能容量和充放电功率的限制规划充、放电电量，再根据规划充放电量之间的差值建立兼顾净负荷标准差和储能运行收益的目标函数，满足系统和储能的相关约束下规划储能在剩余未动作时段的出力；根据预测规划模型中的剩余电量和储能实际运行时的剩余电量之间的差值对填谷削峰功率线进行在线校正，优化储能实际出力功率和SOC，提高调峰效果和经济收益。

摘要： 本发明提供了一种双向LSTM时间表征提取的多模态情绪识别方法和系统，涉及智慧医疗技术领域，包括：接收原始生理信号；基于短时傅里叶变换将原始生理信号转化为包含时域信息和频域信息的频谱图；采用双向长短期记忆网络提取频谱图中的时间特征；采用注意力机制提取关键时序信息以及自动跳过情感数据冗余信息，生成注意力数据；将注意力数据输入到深度神经网络，并将深度神经网络的输出接入全连接层进行分类，以获取对分类的预测概率，预测概率用于表达情绪识别结果。本发明分析生理信号的时序特征，以时序特征表征情绪信息，使用简单的DNN便可以实现较高准确率的基于脑电等生理信号的情绪识别。

摘要： 一种基于改进PSO‑LSTM的空调负荷精细预测模型，属于综合能源系统技术领域，包括以下步骤：对收集到的原始负荷数据采取改进随机森林方法选取特征值；采取改进K‑中心点方法对数据进行聚类分析；将处理后的数据输入进LSTM模型的输入层，并将输入层所接收到的数据导入LSTM网络层；训练LSTM神经网络，利用改进PSO方法优化LSTM神经网络，得到LSTM预测模型；若达到最大迭代次数，则将最优参数赋予LSTM并进行训练，输出预测值，否则继续迭代，直到满足终止条件。本发明在负荷预测的基础上，具有自组织和进化性以及记忆功能的特征，能有效地根据历史信息进行学习和预测，从而获得更好的预测效果提高了负荷预测的精度。