摘要：时间序列预测即利用历史时间序列数据,预测未来一段时间内的数据信息,以便提前制定相应策略。目前,时间序列的类别复杂繁多,而现有的时间序列预测模型面对多种类型数据时无法取得稳定预测的结果,进而难以同时满足对现实中多种复杂的时序数据预测的应用需求。针对上述问题,提出了一种基于时间注意力机制双向长短期记忆网络的时间序列预测方法。笔者提出的网络模型采用改进的正向和反向传播机制提取时序信息并通过自适应权重分配策略推理未来的时序信息。具体来说,设计了一个改进的双向长短期记忆网络,通过结合双向长短期记忆和长短期记忆网络提取深度时间序列特征,挖掘上下文的时序依赖关系。在此基础上,融合所提出的时间注意力机制,实现对深度时间序列特征进行自适应加权,提升深度时序特征的显著性表达能力。通过与同类代表性方法在多个不同类别数据集上的客观定量对比,实验结果表明,该方法能够在多种类别的复杂时间序列数据上更优的预测性能。

摘要：为了准确建立海冰的本构关系,针对传统的物理试验和数值模拟试验2种海冰本构关系研究方法均存在的弊端和效率较低的问题,寻找一种能高效、准确预测海冰本构关系的方法。基于长短期记忆(LSTM)神经网络对海冰本构关系进行预测,通过离散元法(DEM)黏结单元模型对海冰三轴压缩试验进行数值模拟,获取不同组围压和加载速率下试样的应力-应变曲线作为数据源,搭建多层LSTM网络,采用其中5组围压、3组应变率下的应力-应变曲线作为训练数据对神经网络进行训练,预测剩余1组围压、1组应变率下海冰的应力-应变关系,并采用均方误差作为评价指标对预测结果进行评估。研究结果表明:采用LSTM神经网络数据驱动模型能较好地对海冰材料的本构关系进行预测,该方法可供极区海洋结构物的设计和海冰力学行为研究参考。

摘要：对互联网流量的有效预测是网络运营商进行网络优化的重要组成部分,为了提高互联网流量的有效预测,本文提出了一种堆叠长短期记忆网络(LSTM)模型来预测未来的互联网流量。首先,介绍了堆叠LSTM的网络结构。然后构建了4种不同堆叠层数的LSTM网络结构,并利用欧洲11个城市的ISP互联网流量和英国学术网流量数据集进行实验对比,确定了当堆叠层数为2层时,预测的精确度最高。最后为了验证该模型的有效性,通过均方根误差和平均绝对误差这两个衡量标准,与DBN、GRU、HA模型进行比较。实验结果表明,基于堆叠的LSTM预测模型较其它模型的RMSE值和ER值均有所降低。

摘要：针对新能源接入电量不稳定,电量分时计度的负荷曲线优化效果较差的问题,设计一种基于长短期记忆网络的新能源电网电量分时计度方法。设计新能源电网的短期电力负荷预测模型,实施短期电力负荷预测。结合接入新能源的特征与用户需求,利用模糊隶属度函数计算新能源接入下负荷曲线上的谷时段隶属度、峰时段隶属度,通过聚类分析的方式归类峰谷时段。基于长短期记忆网络探索新能源电网电量分时计度中的目标函数、约束条件,构建新能源电网电量分时计度模型,实现新能源电网的电量分时计度。在某地区新能源电网测试设计方法的性能,测试结果表明,该方法在较大需求价格弹性、较小单时段响应系数下能够实现更好的负荷曲线优化效果。

摘要：为解决新型冠状病毒肺炎防控过程中存在的资源利用率低的问题,提出一种基于长短期记忆网络的新冠防疫资源调度方法。模型通过应用程序接口采集新型冠状病毒肺炎防疫的检测阳性患者、防疫人力资源、物资数据;采用长短期记忆网络,实现了日、周、月多时间尺度的新冠疫情新型冠状病毒肺炎情况的预测;在此基础上,计及新型冠状病毒肺炎防疫的人力、物资资源约束条件,根据新型冠状病毒肺炎蔓延趋势预测情况对新型冠状病毒肺炎防疫资源进行调度。在某城市进行了仿真验证,其新冠疫情新型冠状病毒肺炎防疫资源利用率为87.8%,说明所提方法能有效提高新型冠状病毒肺炎防疫资源利用率。

摘要：为满足特种无人车辆高可靠机动、低成本研制等要求,在特种无人车辆的桁架车身结构设计早期阶段引入结构轻量化思想。为实现车身结构轻量化,提出基于长短期记忆网络的设计优化方法(LSTM-DO),利用LSTM-DO的快速搜索、高精度优化能力解决车身结构设计优化中收敛慢、局部最优等问题。建立了某无人车辆桁架车身参数化模型与有限元分析模型,采用代理模型技术提高设计优化过程中车身结构性能评估速度,结合LSTM-DO优化方法快速准确地生成方案。对比了常用的梯度优化算法与启发式优化算法,所提LSTM-DO方法在最优方案性能、收敛速度和鲁棒性方面均展现出明显的优势。

摘要：传统的松耦合视觉惯性里程计需要标定噪声和偏置等参数,而端到端学习的方法耦合性高、普适性低.因此,本文提出了一种由长短期记忆网络融合的端到端松耦合视觉惯性里程计EE-LCVIO(End-to-End Loosely Coupled Visual-Inertial Odometry).首先,在相机位姿和IMU融合部分,构建了一个时序缓存器和由一维卷积神经网络和长短期记忆网络相结合的融合网络;其次,为了解决现有单目深度视觉里程计难以利用长序列时域信息的问题,通过使用相邻图像对和帧间密集光流作为输入,设计了一种基于时空双流卷积的视觉里程计TSVO(Visual Odometry with Spatial-Temporal Two-Stream Networks).与DeepVO最多只能利用5帧图像信息相比,本文提出的视觉里程计可以利用连续10帧图像的时序信息.在KITTI和EUROC数据集上的定性和定量实验表明,TSVO在平移和旋转方面超过了DeepVO的44.6%和43.3%,同时,在传感器数据没有紧密同步的情况下,本文的视觉惯性里程计EE-LCVIO优于传统单目OKVIS(Open Keyframe-based Visual-Inertial SLAM)的78.7%和31.3%,鲁棒性高.与现有单目深度视觉惯性里程计VINet相比,EE-LCVIO获得了可接受的位姿精度,耦合性低,无需标定任何参数.

摘要：准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分,将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而,将数据分解技术直接应用于整个时间序列是一种不切实际的方法,会导致部分信息从测试阶段传输到模型的训练过程中。为此,设计了一个用观测数据更新历史样本的自适应动态分解策略,提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先,采用自适应分解策略对径流时序数据进行变分模态分解,得到不同频率成分的子序列;其次,为每个分解子序列构建长短期记忆神经网络径流预测模型,并采用贝叶斯优化算法优选模型超参数;然后,将子序列的预测结果集成得到径流的最终预测结果;最后,以金沙江上游石鼓水文站月径流预报为研究实例,对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明,所提混合模型在数据分解预处理中避免了引入未来信息,并能够进一步提升径流预报精度。

摘要：大型漂浮式风力发电机平台运动响应的超前预报是实现主动调载系统控制和智慧运维监测的关键技术.然而,漂浮式风力发电机复杂的工作环境使得仅依靠物理模型和数值仿真方法的极短期预报具有非常大的挑战.因此,提出一种创新的基于长短期记忆神经网络的漂浮式风力发电机平台运动极短期预报方法,并利用实测数据开展了浮式平台纵荡运动的验证与不确定性分析.结果表明,该极短期预报方法可以获得较好的精度,超前60 s预报工作状态下纵荡运动的均方误差最大仅约为1%.该大型漂浮式风力发电机极短期运动响应预报能够为未来漂浮式风电场的智慧运维提供扎实的技术支撑.

摘要：为保障需求响应信息正常交互,确保需求响应工作在各地安全开展,设计一种电力需求响应信息交互下改进的长短期记忆网络识别和检测分布式拒绝服务攻击方法,适用于多类别多特征形式下的需求响应交互流量中的分布式拒绝服务攻击检测分类。首先介绍一种需求响应信息交换规范支持下的电力需求响应流量特征的分类遴选机制;其次,为实现识别需求响应交互系统内部双向流量,引入高斯误差线性单元,建立基于改进的长短期记忆网络的分布式拒绝服务攻击检测模型;最后通过选取需求响应下的流量数据集,设置电网不同状态下不同攻击率的方法进行验证,证明该方法对于需求响应信息交互中多类别分布式拒绝服务攻击具有高辨识率,且能对分布式拒绝服务攻击类型进行准确归类。