LSTM模型

摘要： 变形监测是工程安全监测必不可少的工作,高精度的变形预测预报能够为安全监测提供变形预警。随着对人工智能模型的深入研究,利用神经网络模型对变形时序数据进行预报的研究也逐渐增多。为研究神经网络模型在变形预测中的效果,将结合CEEMDAN的LSTM模型应用在滑坡变形预报中,通过实验比较其与单一LSTM模型、传统的ARMA模型以及Kalman滤波模型在变形预报中的精度。实验结果表明,结合CEEMDAN的LSTM模型的预报精度明显优于其他模型,预测值与测量值的偏差在2 mm以内,平均相对误差为0.59%,模型效果较好。

摘要： 得益于互联网的快速发展和数据收集技术的进步,社交网络文本为投资者文本情绪的度量提供了新渠道。目前,关于文本情绪分析的研究主要基于单个文本,而基于单位时间内多文本和多用户相融合的研究较少。文章将多文本信息、用户社交信息与情绪时间序列相结合,提出时间和用户双重注意力机制下长短期记忆网络(LSTM)模型,对投资者文本情绪度量指标进行分类和预测。采用该模型对来自东方财富网行业吧的真实数据进行实证分析,并同词汇分类字典法和时间注意力机制下的LSTM进行比较,证明了所提模型的有效性。

摘要： 随着社交媒体行业的快速发展,便捷的信息获取方式为虚假新闻的产生和传播创造了有利条件,虚假新闻的大范围传播对社会稳定具有极大的破坏性。针对虚假新闻的文本内容进行研究,提出一种融合BERT模型和LSTM模型的虚假新闻检测模型BtLSTM,同时考虑句子的语义表示和句子之间的长距离依赖关系。首先通过BERT模型对社交媒体新闻文本进行全面的语义表示,然后将获取的语义特征输入到LSTM模型中进行学习,最后通过Soft⁃max层进行虚假新闻的检测。实验结果表明,单独的BERT模型检测性能比FastText模型提高了4.58%;BtCNN模型的检测性能比基于Word2vec的CNN模型提高了0.91%;与以上模型相比,BtLSTM模型表现最佳,检测性能指标F1值高达92.15%。在真实数据集上的实验结果表明,BtLSTM能够更好地表示虚假新闻的语义信息,具有较好的虚假新闻检测性能。

摘要： 以2010—2019年的沪深300股指期货为对象,收集日收盘价、5分钟收盘价,以及影响波动的5维度89个指标,采用维度删减、间隔采样方法,组合成多个不同维度和不同频率的LSTM深度学习模型对沪深300股指期货进行预测,并且从空间和时间角度分析维度和频率对股指期货价格波动的影响。研究表明:LSTM模型可以很好地描绘沪深300股指期货多维高频数据的特征;空间上,变量维度对沪深300股指期货价格的预测带来间接影响,预测精度最高的出现在10至20个交易日区间;时间上,数据频率的影响更为直接,频率越高预测精度越高。研究结论有助于股指期货参与各方分散和化解金融风险。

摘要： 目的 探讨基于keras的LSTM模型和SARIMA模型预测我国北方省份流感样病例数的可行性,为流感防控工作提供合理的预测方法。方法 利用国家流感中心2013-2019年北方省份的周流感监测数据构建LSTM模型和SARIMA模型,并进行预测。采用平均绝对误差(MAE)、均方根误差(RMSE)评价两种模型的预测效果。结果 LSTM、SARIMA模型的MAE值分别为304.19、352.74,RMSE值分别为398.71、521.07;相比之下,LSTM模型的预测性能优于SARIMA,较SARIMA模型预测性能分别提高了13.76%、23.5%。结论 基于Keras的LSTM模型的预测效果较好,优于SARIMA模型,可为流感预测提供科学依据。

摘要： 由于金融市场的复杂性和多变性,当前模型尚不能完全覆盖股票走势影响因素的方方面面,在预测精度方面还存在改进空间。基于此,提出了一种联合RMSE损失LSTM-CNN(long short-term memory-convolutional neural networks)的方法。该方法创新性地通过联合两个模型的RMSE损失函数,融合了LSTM学习长期时间序列依存关系的优点和CNN提取数据中深层特征的优点。在训练数据端通过将同一数据分为两种不同的表现形式,即股票时序数据和股票图像数据,使联合模型中的每个分支发挥最大的作用。为了证明该模型的可行性,建立BP(back propagation)、LSTM、CNN和LSTM-CNN融合模型作为对比。通过浦发银行、沪深300指数和上证综指三个数据集上的实验结果,得出所提联合RMSE损失LSTM-CNN模型,在预测效果上具有良好的可行性和普适性的结论。

摘要： 随着我国经济的高速发展,地方国库库存余额显著性增强,为更好预测国库库存未来余额,提高库存资金使用价值,发挥现金管理操作效能,实验采用LSTM时间序列模型对西藏全辖近5年库存日度余额数据集进行训练与测试,实验结果表明,该模型在训练集和测试集上评价决定系数R^(2)(R-Square)分别达到了0.967和0.963,预测效果较好,对推动国库现金管理的长效发展具有一定的参考意义。

摘要： 文章针对我国人均国内生产总值和三次产业的就业结构之间的关系进行了分析和研究,并利用长短期记忆网络(LSTM)模型进行了拟合,大大提高了拟合精度。该模型基于时间序列数据对就业结构进行了研究,总结出我国三次产业就业结构发展的一般规律,并对我国未来一段时间内就业结构的发展趋势作出了预测。

摘要： 本文提出一种改进遗传算法优化的LSTM方法,该模型能够自动优化LSTM层数和全连接层数及每层的神经元个数。实验结果表明,本方法在同样的测试集上能够提高平均准确率约为10%。

摘要： 港口作为海上和陆地连接重要的交通物流枢纽,地位显著,而集装箱物流作为港口物流重要的组成部分,已成为评价一个港口地位的重要指标,科学准确的港口集装箱吞吐量预测对港口规划、腹地经济研究及科学决策等方面具有重要的意义。集装箱吞吐量数据非常复杂,并且往往具有多重季节性,很难准确预测,为了更加精准的预测港口集装箱吞吐量,本文采用长短期记忆模型(LSTM)来预测上海港集装箱吞吐量,并使用上海港集装箱吞吐量数据用于实证分析,将LSTM模型的预测结果与ARIMA模型的预测结果进行比较。比较结果表明,LSTM模型的预测精度更高。本文所提出的LSTM模型预测集装箱吞吐量不仅促进了深度学习技术在港口预测方面的应用,同时能够在港口生产管理业务中有效帮助港口规划决策。

摘要： 本发明提供了一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，具体包括以下步骤：爬取全国各个地区的疫情数据；将全国与各地区疫情的现存确诊人数、日新增确诊人数分别构成两组时间序列数据，形成现存确诊人数、日新增确诊人数预测数据集；使用预测数据集构建改进的指数平滑模型，采用构建的三次指数平滑模型分别进行现存确诊人数、日新增确诊人数的预测；使用预测数据集训练LSTM模型，采用训练好的LSTM模型分别进行现存确诊人数、日新增确诊人数的预测；结合三次指数平滑模型与LSTM模型预测的结果，计算地区某天的新冠肺炎疫情风险指数，并以此划分风险等级。本发明能够提高预测的精度。

摘要： 本发明涉及LSTM循环神经网络模型及基于该模型的网络攻击识别方法，所述LSTM循环神经网络模型的建立过程包括以下步骤：S100：采集多个文本格式的网络请求数据作为训练数据集，并根据网络请求数据的内容为每个网络请求数据设定标签类别；S200：对训练数据集中的网络请求数据进行预处理，转化为预设长度的数字序列型数据；S300：根据训练数据集中的数字序列型数据，进行训练，构建LSTM循环神经网络模型。本发明通过将网络请求数据转化为数字序列型数据，进而使用该数据组成的训练数据集进行训练，构建LSTM循环神经网络模型，进而实现网络请求数据的类别的预测。

摘要： 本发明涉及心力衰竭识别预测领域，特别是基于CNN模型与LSTM模型的预测诊断心衰方法、系统及诊断设备、存储介质。所述方法包括采集12导联的心电信号，按预设采样率数字化所述心电信号生成ECG心电数据集；预处理所述ECG心电数据集，检测QRS波确定R‑峰；并学习训练组合CNN模型与LSTM模型，利用训练好的组合CNN模型与LSTM模型进行心力衰竭的诊断，输出结果为正常或心衰。本发明结合使用深度学习的心电图特征提取和传统人工神经网络的心电图信号分类，提取特征并对其进行排序，实现自动特征提取和选择，从而达到预测诊断心衰，实现心衰预警的效果；预测诊断的准确度高，不涉及个人判断因素，且速度快，能够有效节约医疗资源，提供诊断率。

摘要： 本发明提供了一种基于改进的三次指数平滑模型及LSTM模型在新冠疫情的预警方法，具体包括以下步骤：爬取全国各个地区的疫情数据；将全国与各地区疫情的现存确诊人数、日新增确诊人数分别构成两组时间序列数据，形成现存确诊人数、日新增确诊人数预测数据集；使用预测数据集构建改进的指数平滑模型，采用构建的三次指数平滑模型分别进行现存确诊人数、日新增确诊人数的预测；使用预测数据集训练LSTM模型，采用训练好的LSTM模型分别进行现存确诊人数、日新增确诊人数的预测；结合三次指数平滑模型与LSTM模型预测的结果，计算地区某天的新冠肺炎疫情风险指数，并以此划分风险等级。本发明能够提高预测的精度。

摘要： 本发明公开了一种基于卷积Lstm及多模型融合的胸膜病变的分割模型生成方法及装置，所述方法包括，得到胸膜的CT图像，对CT图像进行预处理；将预处理后的CT图像分别送入嵌入卷积Lstm的Unet网络模型和3D分割模型进行分割；将嵌入卷积Lstm的Unet网络模型和3D分割模型输出的分割结果分别使用多种损失函数结合的方法进行计算，将计算完成后得到的损失值使用梯度下降算法进行加权求和，得到梯度；将梯度进行反向传播，更新嵌入卷积Lstm的Unet网络模型和3D分割模型的权重参数；重复上述步骤进行迭代，最终得到分割模型。本发明实施例，能够很好地结合时序空间特征，精确分割出相关病灶，并较符合人为判断的标准。

摘要： 本发明公开了时间序列预测技术领域的一种基于CNN‑LSTM神经网络模型与ARIMA模型的时间序列预测方法及系统，旨在解决现有技术中没有充分提取时间序列的周期特征从而导致预测精度不够的问题。包括：获取待预测的时间序列数据，构建输入样本；将输入样本输入经过训练的基于CNN‑LSTM的神经网络模型，得到第一预测结果；将第一预测结果与输入样本的观测值进行比对，得到误差序列；将误差序列输入建立的ARIMA模型对误差序列进行误差修正预测，得到第二预测结果；将第一预测结果和第二预测结果相加得到时间序列的最终预测结果。

摘要： 本发明公开了一种LSTM模型和基于注意力机制seq2seq模型的水果价格预测方法，包括以下步骤：采集测试时间段内的相关影响因子的数据集；将数据集输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，分别得到预测结果P1和预测结果P2；将P1和P2采用集成学习拼接在一起作为新的预测数据输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，得到预测结果P1^和P2^，P1^和P2^经加权平均后得到水果价格预测结果。本发明通过集成学习将基于注意力机制的seq2seq模型和长短期记忆人工神经网络模型有效的结合在一起，从而可以极大的提高水果价格预测的准确性和稳定性。

摘要： 本发明公开了一种基于LSTM深度学习网络模型的疫情预测模型，包括LSTM用于提取序列数据中的规律信息的长短期记忆网络层、用于拟定输出维度的全连接层、以及用于调整预测数据与标签数据之间的拟合程度的激活层；所述疫情预测模型包含两层连接的长短期记忆网络层，第一层长短期记忆网络层的输出作为第二层长短期记忆网络层的输入。本发明将2*LSTM层连接模型对序列化数据进行建模，充分考虑疫情序列数据之间变化的影响，使得模型拟合效果更好。疫情序列数据在经过1层LSTM训练后，记忆信息得以保留并传输入下一层LSTM，使得模型能充分学习序列间的变化信息，无需考虑除疫情变化记录外的其他参数，预测误差相对较低，对于后期疫情发展趋势存在参考价值。

摘要： 本发明涉及LSTM循环神经网络模型及基于该模型的网络攻击识别方法，所述LSTM循环神经网络模型的建立过程包括以下步骤：S100：采集多个文本格式的网络请求数据作为训练数据集，并根据网络请求数据的内容为每个网络请求数据设定标签类别；S200：对训练数据集中的网络请求数据进行预处理，转化为预设长度的数字序列型数据；S300：根据训练数据集中的数字序列型数据，进行训练，构建LSTM循环神经网络模型。本发明通过将网络请求数据转化为数字序列型数据，进而使用该数据组成的训练数据集进行训练，构建LSTM循环神经网络模型，进而实现网络请求数据的类别的预测。

摘要： 本发明公开了一种基于MLP‑LSTM有监督联合模型的剩余使用寿命预测方法，首先使用多层感知器MLP对多维时间序列历史信息进行数据融合提取机器的健康指标特征；将提取的健康指标时间序列输入到LSTM中，计算机器当前的剩余使用寿命RUL。进一步，利用有标签样本数据集将两个串联连接的神经网络同时进行有监督训练更新权重，在验证集中评估预测结果并自适应调整参数获得优化模型。训练得到的MLP‑LSTM有监督联合模型不仅有效提高了LSTM对剩余使用寿命的预测能力，而且同时提供了多维传感器数据的特征融合结果，能够有效表现当前机器的健康状况，为设备维护和保养提供了有效的参考指标。