摘要：非机动车道空间受限时,常规自行车被超车场景下骑行者为确保自身安全会产生应激避让行为。为明确其在被超车时的应激反应,并根据行为特性设计非机动车道,构建一种面向应激行为分类的自行车轨迹预测模型。该模型从频域角度分解自行车被超车时的动力学特性,依据踏频值范围将避让行为分为匀速、加速和减速行为,利用鲸鱼算法改进长短期记忆神经网络模型,分别对分类后的骑行轨迹进行预测。应用所构建预测模型对西安市2415次超车事件的分析结果显示,发生冲突时选择上述3种避让行为的骑行者占比分别为11.3%、38.3%和50.4%。匀速避让的预测轨迹全程波动较小,平均横向位移为0.15 m;加速避让轨迹表现为横向位移较大,平均达0.83 m;减速行为预测轨迹平缓度介于两者之间,横向位移为0.47 m。3种预测情况下的均方根误差分别为0.0619、0.0513和0.0587,拟合优度值分别为0.9589、0.9774和0.9687。与未考虑应激行为分类的结果相比,所构建模型的预测精度分别提升了11.07%、13.22%和12.21%。

摘要：为了降低监测水平沉降位移偏差,本文提出基于改进lstm的土方施工结构形变监测方法。根据不同点位的支护应力变化布设了监测点,计算形变侧移、累计位移量和锚杆轴力,获取水平监测值;以记忆时间序列改进lstm算法,可以提取泛化特征;将改进lstm算法与BP算法相结合,构建支护结构数值模拟分析,归一化处理后输出监测数据,完成了土方施工支护结构形变监测。以某土方施工工程进行实例分析,研究结果表明:设计方法监测的水平沉降位移偏差较小,且可发出形变预警,具有一定应用价值。

摘要：为提高故障自动判别结果的可靠度与准确度,优化电气系统运行,本文引进改进lstm,以某电气系统为例,开展绝缘老化故障自动判定方法的设计与研究。首先,将改进lstm感知单元作为一个呈离散化特点的非线性时变动态网络,在网络前端输入电气系统运行中的时序信号,根据输出的信号构建电气系统的状态空间模型,实现基于改进lstm的电气系统运行状态感知;其次,结合电气系统运行状态,提取电气系统绝缘老化故障特征分量;最后,引进支持向量机,自动判定系统绝缘老化故障,划分故障类别。实验结果表明,该方法实际应用效果良好,按照规范自动判定电气系统绝缘老化故障,可提高判定结果的置信度、准确度。

摘要：针对智能电力系统海量数据分析和计算中存在的算法收敛性不足、准确度较低、动态数据管理和应用存在困难的问题,提出了一种基于自动步长改进的lstm深度学习算法。其能够对海量数据进行分析和预测,实现了从数据中挖掘有用信息并对数据进行合理、准确分析,从而预测未来电力工程发展的趋势。通过物联网与App采集海量数据,收集、存储、训练历史数据集。基于自动步长改进的lstm对电力工程数据进行预测与分析,同时对几个时间维度进行处理,使其具备自动选择学习时间步长的能力。算例分析结果表明,与常规lstm、SVM以及ARIMA算法相比,文中所提的改进lstm深度学习算法能够有效提升数据分析预测的准确性,且具有良好的稳定性。

摘要：受配电物联网多业务场景全息感知信息中的冲击数据、异常数据、冲突数据等“脏数据”影响,海量数据延伸过程面临数据品质不高的问题,进而降低了数据的价值质量、规律挖掘和趋势预测的前景。为此,提出了一种基于留存分析方法结合长短期记忆算法(Long Short Term Memory,lstm)的数据分析模型,并以此对配网电力数据发展趋势进行预测。该模型采用留存分析方法对海量感知数据中的“脏数据”进行清洗,并在此基础上利用清洗后的数据共性特征对lstm中的遗忘门进行改进和优化,实现了清洗后价值数据规律的挖掘和趋势的预测。以新能源汽车负荷预测为例,实验结果表明,相较于同类数据趋势预测的整合移动平均自回归算法(Auto Regressive Integrated Moving Average,ARIMA)与传统lstm算法,该文方法整体预测准确率分别提升了16.26%、16.84%,而各时段预测值的均方根误差(RMSE)较ARIMA算法和lstm算法则分别降低17%和22.7%,这表明该方法可有效处理配电物联网海量数据的优良率和预测精度,为后续决策提供数据依据。