多步预测

摘要： 径流过程呈现出的强非线性,使得现有水文模型的预测性能受到制约,深度学习等人工智能方法具有较强的非线性拟合能力,一定程度上可以突破现有瓶颈。为有效提取径流序列的非线性时变特征信息,提高径流模拟精度和多步预测性能,以雅砻江上游雅江流域为研究对象,建立了基于具有时变结构的ForecastNet径流预测模型,并与传统水文模型SWAT(Soil and Water Assessnent Teol)和神经网络模型RNN(Recurrent Neural Network)、LSTM(Long Short-Term Memory)及其组合进行对比分析。结果表明,ForcastNet模型在长预见期径流预测中有较强的适用性,能有效提高径流模拟及多步预测精度,为高精度实时径流预测提供了一种技术支撑。

摘要： 提出一种基于时空耦合特性和深度学习模型的充电站运行状态预测方法。首先,基于充电站历史运行数据和所在区域的交通通行速度数据集,利用k-means聚类方法将充电站划分为不同类型,分析充电站运行状态在时间上的特性;建立单个充电站的"偏移量-交通-时间"三维矩阵模型,深度挖掘充电站运行状态与周边交通状况在时间和空间上的耦合相关性。其次,将充电站状态与交通状况的时间滞后相关特性进行空间重构,利用卷积神经网络进行特征提取,通过长短期记忆网络进行时间序列预测,构建基于Keras深度学习框架的充电站运行状态多步预测模型。最后,以20个充电站的真实运行数据进行验证,并与多种预测算法进行对比,结果表明,所提方法具有较高的预测精度。

摘要： 精确的航空安全预测是科学开展安全预警的前提。航空事故不仅致因机理复杂,还存在迟滞效应,给安全样本时序信息的深度挖掘加大了难度。基于此,提出一种基于改进长短期记忆(long short-term memory,LSTM)模型的航空安全预测新方法。首先基于相关系数热图优选致因指标,再以步进搜索和Adam算法相结合的方式优化LSTM模型超参数,最后以2019年某型运输机事故数据为算例,选取多种常用时序预测模型作为对照。实验结果表明本文所提方法,预测误差较现有方法降低了28%以上,同时具有较好的泛化能力和鲁棒性。

摘要： 石油是十分重要的资源,也是世界各国主要争夺的重要战略物资,更是当今世界经济的命脉,对国家的发展有着至关重要的作用。近年来,全球能源形势紧张,包括天然气、煤炭价格均出现暴涨创新高,极大提振石油替代需求预期。在该形势下,对石油产量进行准确的预测具有着十分重要的战略意义。为了有效提高预测精度,提高模型的泛化性能,本文将XGBoost和樽海鞘算法(Salp swarmalgorithm,SSA)相结合,提出了一种多步预测混合模型。最后,将本模型应用于美国的石油月产量预测种,并其余8个预测模型进行对比。结果表明,该模型在实际应用中具有更高的精度和稳定性。

摘要： 辅助海洋管理决策的多步预测预警意义重大且极具挑战性。实时、稳定、高效的广域海洋环境数据获取是保障多步预测性能的前提,未来6G空天地海一体化网络部署将有效地提升海洋分布式态势感知能力,提供高质量的数据支撑。众所周知,多步长模式下数据间的时序依赖性被极大地弱化,对此,本文提出了基于多阶段特征学习的海洋环境数据多步预测模型。结构上,该模型主要包括卷积神经网络(Convolutional Neural Networks,CNN)、优化组合的长短期记忆网络(Long Short-Term Memory Network,LSTM)和全连接层。这里,CNN用于提取海洋环境数据的细粒度特征,而基于粒子群优化的多LSTM组合方法,可以有效地挖掘数据间的时序依赖关系(粗粒度特征)。实验结果表明该模型的预测性能明显优于CNN、LSTM以及门控制循环单元,并进行了统计验证。

摘要： 为提高日径流时间序列多步预报精度,基于小波包分解(Wavelet Packet Decomposition,WPD)方法、象群优化(Elephant Herding Optimization,EHO)算法和极限学习机(Extreme Learning Machine,ELM)、深度极限学习机(Eeep Extreme Learning Machine,DELM)两种预测器,研究提出WPD-EHO-ELM、WPD-EHO-DELM日径流时间序列混合预报模型,并应用于云南省景东水文站日径流时间序列多步预报。首先利用2层WPD将日径流时序数据分解为4个子序列分量,达到降低日径流序列数据复杂性和不平稳性的目的;其次在延迟时间为1的情况下,采用Cao方法确定各子序列分量的输入向量;最后介绍EHO算法原理,分别利用EHO优化ELM、DELM输入层权值和隐含层偏值,建立WPD-EHOELM、WPD-EHO-DELM模型对各子序列分量进行多步预测,将预测结果加和重构得到最终日径流多步预报结果。并构建基于小波(Wavelet Decomposition,WD)分解的WD-EHO-ELM、WD-EHO-DELM模型和未经分解的EHO-ELM、EHODELM模型作对比分析模型。结果表明:(1)WPD-EHO-ELM、WPD-EHO-DELM模型对实例预见期为1~5 d日径流预报的平均绝对百分比误差≤9.44%,合格率≥89.2%,确定性系数≥0.99,精度等级均为甲级,预报效果均优于WD-EHO-ELM等其他模型。其中预见期为1~3 d日径流预报的平均绝对百分比误差≤1.81%、合格率100%,确定性系数≥0.999 6,预报效果最理想。(2)WPD-EHO-ELM、WPD-EHO-DELM模型能充分发挥WPD分解、EHO算法和ELM、DELM网络优势,表现出较高的预报精度和稳定性能,预报精度随着预见期天数的增加而降低。(3)模型及方法可为实现日径流时间序列多步预报和精准预报提供新途径。

摘要： 长期以来,对个体的出行预测一直是交通领域的研究重点。针对当前个体出行研究的局限性,提出了使用带注意力机制的序列到序列模型对个体出行进行多步预测,首先通过词嵌入的方法将个体出行特征的嵌入向量进行融合,然后基于带注意力机制的序列到序列模型设计了3种个体出行多步预测模型:整体输出式、步进输出式、多模型组合式。并将提出的模型与传统模型进行对比,最后探究了不同预测步长对实验结果带来的影响,从而验证了带注意力机制的序列到序列模型在多步预测中的适用性和优越性。

摘要： 针对多步模型预测控制(MPC)计算量大的问题,将事件触发机制引入到永磁同步电机(PMSM)多步模型预测转矩控制(MPTC),建立基于转矩误差、磁链误差和连续触发次数的事件触发机制。当满足事件触发条件时,相应的采样周期无需多步预测计算,可从已有的控制序列中选择对应的电压矢量。仿真结果表明,基于事件触发的PMSM MPTC可行,由于事件触发时,牺牲滚动优化的特性,转矩和磁链脉动轻微增大,开关频率和平均运算量有所降低。

摘要： 针对现有水质预测模型对水质多步预测大多采用向量输出的预测模式,忽略了时序预测的输出之间存在的时序联系,导致水质多步预测性能较差的问题,采用小波分解(WD)分解水质数据来提取隐藏的水质特征,然后基于分解所得的序列,建立以长短时记忆(LSTM)网络作为编码器和解码器的序列到序列(Seq2Seq)的预测模型,以期望解决时序预测的输出序列之间存在的依赖性问题。采用珠江流域老口站的溶解氧数据验证模型进行7日预测的效果,实验结果表明,LSTM模型处理该问题的能力要强于传统的MLP及SVR模型,而在LSTM模型的基础上构成的WD-Seq2Seq模型的预测效果进一步提升,溶解氧的7日预测平均MAE仅有0.1471,7日预测平均MSE仅有0.0412,7日预测平均RMSE仅有0.1973,水质类别的7日预测平均准确率达到93.26%。

摘要： 首先,应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL),将变压器顶层油温分解成趋势、周期和残差分量;然后,使用一维卷积网络和编码器–解码器提取特征,生成特征矩阵;最后,引入注意力机制挖掘特征矩阵中对当前预测结果产生显著影响的信息,并随预测时间更新,最终得到多步预测结果。算例分析表明,与传统预测方法相比,该方法能够有效提取顶层油温数据特征并缓解预测时间增长带来的预测误差累积,具有更高的多步预测精度。

摘要： 在SOM（自组织映射神经网络）和SVMs（支持向量机）的组合预测基础上，引入迭代多步预测和直接多步预测，提出能够有效的预测长期股票价格指数的新方法，以单一SVMs 作为评价基准，对中国上证综指进行了实证研究。结果表明，提出的基于SOM 和SVMs 的股票价格指数多步预测方法具有更优的长期预报性能。

摘要： 针对卫星跟踪中的短期预测问题,提出了一种基于Jerk模型的卫星位置多步预测方法。首先分析卫星轨道机动特性,并对卡尔曼滤波多步预测的误差传导进行分析。针对运动学模型多步预测对初始状态估计的精度要求,提出对跟踪滤波后的状态向量进行动力轨道平滑,得到有一定精度的初始状态向量,最后结合卫星轨道机动特性实现基于Jerk模型的卫星位置预测。仿真试验表明,该方法较使用CA模型及动力学模型有明显提高,并对观测数据的较大量测噪声不敏感,有一定的鲁棒性。

摘要： 讨论了Elman神经网络的结构与学习算法,研究了基于Elman网络的动态系统辨识模型、预测模型及预测算法,并与模糊控制相结合,研究神经网络多步预测模糊控制方法.仿真结果表明该方法可以提高系统的鲁棒性及稳定性,多步预测最佳模糊控制的控制精度及ITAE指标均较无预测时要优.

摘要： 针对能源复杂系统供需预测时间序列的混沌性特点,分别讨论了混沌时间序列的全域、局域、基于Lyapunov指数、Volterra级数的多步预测方法和基于递归神经网络的预测算法,并从混沌时间序列的相空间重构理论入手,着重研究了基于递归神经网络的预测算法。最后对比各种方法的优劣并指出了未来的研究方向。

摘要： 针对永磁同步电机(PMLSM)提出了一种基于神经网络的实时IP 位置控制方案。根据伺服系统中的IP控制策略，利用神经网络的优点设计了神经网络实时IP 位置控制器。所设计的神经网络实时IP位置控制器结构简单，权值调整计算量小、速度快，同时用混合神经网络作为PMLSM系统辨识器，用多步预测性能指标函数实现了实时在线训练。理论分析和实验仿真对比研究的结果表明所提出方法具有优越的动态性能和鲁棒性。

摘要： 本文研究三维动画渲染领域的渲染集群能耗问题,采用基于神经网络的任务量预测模型,结合渲染系统任务量历史数据统计,提出基于多步预测的渲染集群自动开-关机控制算法和节能控制架构,并通过实际数据验证了节能控制方法的有效性。

摘要： 该文提出了基于发电机转子角度测量值利用神经网络预测电力系统暂态稳定性的原理与方法。建立神经网络模型以非线性自在归为基础，并采用多步预测技术和动态多步预测结构从而提高预测精度。仿真表明，神经网络多步预测方法是有效的。

摘要： 该文给出了具有时滞和大惯性控制系统的智能PID控制算法， 通过多步预测系统误差的变化趋势，模仿专家调节PID参数进行控制，获得了较好的控制效果。

摘要： 为了解决现有网络攻击频率预测算法精度较差的缺点，提出了基于混沌理论的网络攻击频率预测方法。rn 根据预测效果选择了适用于网络攻击频率的最佳混沌预测方法——基于零阶局域近似的多步直接预测法。通过与经典的ARIMA模型比较，验证了该方法在网络攻击频率预测中的准确性高于传统的统计预测。最后经过检验证明了该方法的泛化性较好。

摘要： 为了解决现有网络攻击频率预测算法精度较差的缺点，提出了基于混沌理论的网络攻击频率预测方法。rn 根据预测效果选择了适用于网络攻击频率的最佳混沌预测方法——基于零阶局域近似的多步直接预测法。通过与经典的ARIMA模型比较，验证了该方法在网络攻击频率预测中的准确性高于传统的统计预测。最后经过检验证明了该方法的泛化性较好。

摘要： 本发明公开了一种基于多步骤递归预测的空气质量预测方法，该方法包括如下步骤：获取空气质量数据和天气数据并预处理，构建输入数据和输出数据。编码器的输入数据包括污染物数据和历史气象数据。解码器的输入数据包括编码器的输出结果，气象预报数据，和上一时刻的污染物数据。将数据分割为训练数据和测试数据。使用训练数据对Seq2Seq模型进行训练：使用测试数据测试预测结果。本发明使用Seq2Seq模型对空气质量进行预测。使用全连接层代替编码器的RNN，并且使用位置编码保留输入序列的时序关系，从而达到保持预测精度的同时加速训练的效果，可以有效减少误差积累从而提高预测精度。

摘要： 一种用于根据从多个传感器接收的数据预测道路交通流的道路交通流预测系统，所述多个传感器中的每个传感器用于在相应交通位置获取道路交通数据，其中，所述系统用于：从所述传感器接收数据；实现机器学习算法，以根据所述接收的数据的时间序列学习第一位置处的交通流与所述传感器所在的其它位置处的交通流之间的关系的模型；实现所述模型，以根据从所述传感器接收的其它数据预测所述第一位置处的交通流的时间序列。

摘要： 本发明涉及一种基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法。适用于风力发电功率预测领域。本发明所采用的技术方案是：一种基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法，其特征在于：获取历史风速和历史功率；对历史风速和历史功率进行奇异谱分解，分别获得历史风速和历史功率的多维特征向量；将历史风速和历史功率的多维特征向量输入经训练的风电功率预测模型，输出风电功率预测结果；所述风电功率预测模型包括时间卷积神经网络层和全连接层，时间卷积神经网络层用于对历史风速数据和历史功率数据进行时序建模和特征提取，全连接层用于对时间卷积神经网络层提取的特征进行融合，以获取最终风电功率预测结果。

摘要： 本发明公开了一种基于多步鲁棒预测学习机的芯片性能退化趋势预测方法，结合极限学习机和循环神经网络，具备极高的信息融合能力和信息快速处理能力，同时，通过建立误差编码本构建了基于相关熵的相似性，根据芯片退化多样性和动态性建立实时预测模型更新，克服干扰对预测结果的影响。因此，本发明相较于现有方法具有更高的在线预测精度，且多步预测结果相较于现有方法更加准确。

摘要： 本发明公开了一种基于多步预测的模型预测控制MPC的偏航控制方法，包括：选择控制周期和预测长度m；获取预测风向信息；基于穷举搜索方法获取m步偏航预测模型对应的可行解序列；利用所述预测风向信息和所述可行解序列求解所述m步偏航预测模型；对每个可行解序列求取对应的性能，选择性能最好的作为控制输出。本发明提供一种基于多步预测的MPC偏航控制方法，求解过程简单，在基于MPC的偏航控制系统中能够通用，且能充分利用基于MPC的偏航控制系统的潜在性能。

摘要： 本发明公开了一种基于多步鲁棒预测学习机的芯片性能退化趋势预测方法，结合极限学习机和循环神经网络，具备极高的信息融合能力和信息快速处理能力，同时，通过建立误差编码本构建了基于相关熵的相似性，根据芯片退化多样性和动态性建立实时预测模型更新，克服干扰对预测结果的影响。因此，本发明相较于现有方法具有更高的在线预测精度，且多步预测结果相较于现有方法更加准确。

摘要： 本发明公开了一种多步预测的变流器模型预测控制方法，其具体步骤为：设置控制时域与预测时域长度，控制时域包含若干个控制周期，预测时域比控制时域多一个控制周期，按控制时域更新控制量；在当前控制时域的每一个控制周期内，采样系统状态，实施相应控制，逐步计算预测时域内的系统状态，根据最后预测的系统状态，采用模型预测控制算法寻优计算下一控制时域中对应的最优控制量；对下一控制时域内的全部控制量进行脉冲优化以降低开关频率；在下一个控制时域的控制周期内实施优化后的控制量。该设计方法采用增加预测时域但不增加寻优时域的策略来减少多步预测的计算量，通过构建控制时域并采用脉冲优化的策略来降低开关频率，改善了控制性能。

摘要： 本发明属于信息处理技术领域，公开了一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质，在Attention机制层，将隐藏层状态序列向量输入到可学习函数产生概率向量；后续隐藏层中间向量由向量加权平均产生，Attention通过循环计算每个时间步隐藏层状态序列的自适应加权平均产生中间向量，把每个时间步重要的信息按一定权重向后输出，随着时间推移整合信息的能力。本发明可以随着时间的推移将信息保存在内存中，在处理时间序列问题中，具有很大的优势；结合Attention机制，试验结果表明基于Attention机制的BiGRU多步洪水预报模型能更好地预测洪峰到达时间和洪峰峰值。

摘要： 本发明公开了一种基于多步预测的模型预测控制MPC的偏航控制方法，包括：选择控制周期和预测长度m；获取预测风向信息；基于穷举搜索方法获取m步偏航预测模型对应的可行解序列；利用所述预测风向信息和所述可行解序列求解所述m步偏航预测模型；对每个可行解序列求取对应的性能，选择性能最好的作为控制输出。本发明提供一种基于多步预测的MPC偏航控制方法，求解过程简单，在基于MPC的偏航控制系统中能够通用，且能充分利用基于MPC的偏航控制系统的潜在性能。

摘要： 本发明提供一种基于LSTM的重介质选煤过程精煤质量多步预测方法，首先获取有用数据，将有用数据重构成多个生产组数据；计算煤流分选运输停滞时间T；模型构建，构建LSTM神经网络；模型训练，通过训练集数据损失和测试数据集损失的值和趋势调整步骤LSTM神经网络的网络结构；保存调整后的模型；获取新的数据带入保存的模型输出预测。本发明充分考虑了选煤工艺流程数据与待预测输出变量间的时空关系，使后续的机器学习预测模型结果，能够更好的适用于重介选煤这种具有复杂时空时间序列关系的工业过程。得到较好的预测精度，为后续选煤生产过程的精准控制与产品质量稳定提供了有力依据。