CN108986470A - 粒子群算法优化lstm神经网络的行程时间预测方法 - Google Patents
粒子群算法优化lstm神经网络的行程时间预测方法 Download PDFInfo
- Publication number
- CN108986470A CN108986470A CN201810946075.7A CN201810946075A CN108986470A CN 108986470 A CN108986470 A CN 108986470A CN 201810946075 A CN201810946075 A CN 201810946075A CN 108986470 A CN108986470 A CN 108986470A
- Authority
- CN
- China
- Prior art keywords
- neural network
- lstm neural
- particle
- travel time
- swarm algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种粒子群算法优化LSTM神经网络的行程时间预测方法,包括如下步骤:步骤S1:采集行程时间数据,进行数据归一化,按比例划分为训练集和测试集;步骤S2:采用粒子群算法优化LSTM神经网络预测模型的各个参数;步骤S3:输入粒子群算法优化好的参数、训练集,进行LSTM神经网络预测模型的迭代优化;步骤S4:利用已训练好的LSTM神经网络模型对测试集进行预测,并评估模型误差。本发明的方法寻优速度快,同传统预测算法中的随机森林、SVM、KNN相比较,本发明方法对数据预测均方误差和均方根误差最小,模型减少了计算量,表现出更好的预测性能。
Description
技术领域
本发明涉及深度学习方法和行程时间预测等技术领域,具体涉及一种粒子群算法优化LSTM神经网络的行程时间预测方法。
背景技术
车辆路段行程时间预测是交通管理部门采取交通控制和诱导措施的重要依据。通过对行程时间的预测,可以提前调整交通管理控制手段,提高交通运行效率,同时对车辆诱导有重要作用。行程时间数据是时间序列数据,随着机器学习及深度学习的推进,对行程时间的预测方法也在不断改善。
在统计特性研究层面,有趋势外推法、线性回归、隐形马尔科夫预测模型及卡尔曼滤波等。在机器学习方法层面,通过挖掘历史数据隐含的信息,实现行程时间的迭代估计。支持向量机、迭代决策树、随机森林、贝叶斯网络、小波理论、改进粒子群算法对BP神经网络等不同模型都应用在行程时间预测中。
在深度学习中,采用深度信念网络对数据先进行特征学习提取,再采用顶层SVM模型进行预测。对LSTM神经网络模型调参方法有精细化调参、多网格搜索、根据经验设置等方法。
在行程时间预测领域,当前流行的方法是采用LSTM神经网络进行预测,但该方法需要对LSTM神经网络的多种参数进行调整,才能拥有较高的预测精度。目前对于LSTM神经网络预测模型参数选取研究多是采用遍历多网格搜索算法、控制变量精细调参,本质都是暴力搜索寻找最优值,计算资源消耗量大。
发明内容
本发明的内容就是在解决在LSTM神经网络行程时间预测中,由于大范围参数组合寻优带来的计算资源消耗大,预测性能较差,无法寻到LSTM神经网络最优参数组合的问题。
为实现上述目的,本发明的技术方案是:
一种粒子群算法优化LSTM神经网络的行程时间预测方法,包括如下步骤:
步骤S1:采集行程时间数据,进行数据归一化,按比例划分为训练集和测试集;
步骤S2:采用粒子群算法优化LSTM神经网络预测模型的各个参数;
步骤S3:输入粒子群算法优化好的参数、训练集,进行LSTM神经网络预测模型的迭代优化;
步骤S4:利用已训练好的LSTM神经网络模型对测试集进行预测,并评估模型误差。
进一步地,所述步骤S1具体为:
采用高速公路进出口收费站对行驶车辆信息收集,并分为30分钟、60分钟两个不同间隔的行程时间数据;
对数据进行归一化,并按照比例划分为训练集和测试集。
进一步地,所述数据归一化方法采用min-max标准化,公式如下:
其中,x*是归一化后的行程时间数据,x为收集的行程时间数据,max为样本数据的最大值,min为样本数据的最小值。
进一步地,所述步骤S2中,LSTM神经网络预测模型的所需优化参数包括:LSTM神经网络隐藏层数、时间窗步长、训练次数、学习率,所述粒子群算法优化LSTM神经网络的模型是在参数搜索空间里,以预测误差最小为目标函数,对参数组合进行优化。
进一步地,所述在参数搜索空间里,以预测误差最小为目标函数,对参数组合进行优化具体包括:
步骤S21、初始化,初始搜索点的位置及其速度通常是在允许的范围内随机产生的,每个粒子的Pbest坐标设置为其当前位置,且计算出其相应的个体极值,即个体极值点的适应度值,而全局极值,即全局极值点的适应度值,就是个体极值中最好的值,记录该最好值的粒子序号,并将Gbest设置为该最好粒子的当前位置;
步骤S22、评价每一个粒子,计算粒子的适应度值,若好于该粒子当前的个体极值,则将Pbest设置为该粒子的位置,且更新个体极值;若所有粒子的个体极值中最好的好于当前的全局极值,则将Gbest设置为该粒子的位置,记录该粒子的序号,且更新全局极值;
步骤S23、粒子的更新,用迭代公式对每一个粒子的速度和位置进行更新;
步骤S24、检验是否符合结束条件,若当前的迭代次数达到了预先设定的最大次数,则停止迭代,输出最优解,否则转到步骤S22;
步骤S25、输入粒子群算法优化好的参数组合、训练集,进行LSTM神经网络预测模型的迭代优化。
进一步地,所述步骤S3具体为:
输入粒子群算法优化好的参数组合,采用时间窗步长参数对输入数据进行处理,通过隐藏层数、训练次数、学习率对LSTM神经网络进行设置;
将预测均方误差作为LSTM神经网络的优化目标,采用Adam优化算法进行梯度计算。
进一步地,所述采用Adam优化算法进行梯度计算具体为:采用Adam优化算法对网络迭代更新不断调整模型权重、降低预测误差,其算法原理为:
mmt为梯度前一时刻平均值,vmt为梯度后一时刻非中心方差值。
参数最终的更新公式如下:
在实际应用中效果较好,通常将β1设置为0.9,β2设置为0.9999,γ设置为10-8。
进一步地,所述步骤S4具体为:
采用训练好的LSTM神经网络模型对预测集进行行程时间预测;
将预测数据同实际数据进行误差计算,误差计算采用均方误差和均方根误差两项指标,还原预测数据进行输出,其中,
均方误差:
均方根误差:
N是数据集个数,Yi是真实数据集,Yi *是预测集。
与现有技术相比,本发明的有益效果在于:
1、采用粒子群算法优化LSTM神经网络模型参数选择,该方法可以在参数空间快速找到最优组合;
2、采用粒子群算法和LSTM神经网络模型预测行程时间,模型适合处理与时间序列相关的问题,提高预测精准度;
3、粒子群算法优化LSTM神经网络模型对不同间隔的数据样本具有良好的适用性。
4、对数据预测均方误差和均方根误差最小,模型减少了计算量,表现出更好的预测性能。
附图说明
图1是本发明实施例的算法示意图。
图2是粒子群优化LSTM神经网络最优值迭代。
图3是四种模型30分钟行程时间预测示意。
图4是四种模型60分钟行程时间预测示意。
图5是四种模型两个对样本预测均方误差。
图6是四种模型两个对样本预测均方根误差。
具体实施方式
下面结合实例对本发明做进一步的说明,所描述的实施例旨在便于对本发明的理解,但对其不起任何限定作用。
如图1所示,一种粒子群算法优化LSTM神经网络的行程时间预测方法,包括如下步骤:
步骤S1:行程时间数据采集,并进行数据归一化预处理,分为训练数据集和测试数据集;
所述行程时间数据来源于高速公路收费站采集的车辆信息,获得进出收费站的时间之差,时间间隔可以根据实际预测需求制定,本发明采用的是30分钟、60分钟两个间隔样本数据。读取获得原始行程时间数据,采用min-max标准化方法对数据归一化:
其中,x*是归一化后的行程时间数据,其中max为样本数据的最大值,min为样本数据的最小值。
步骤S2:采用粒子群算法优化LSTM神经网络预测模型的各个参数。
粒子群算法对LSTM涉及到的参数进行调整优化,获取搜索空间的最优解,形成复合PSO-LSTM模型,主要流程步骤为:
步骤S21、初始化,初始搜索点的位置及其速度通常是在允许的范围内随机产生的,每个粒子的Pbest坐标设置为其当前位置,且计算出其相应的个体极值(即个体极值点的适应度值),而全局极值(即全局极值点的适应度值)就是个体极值中最好的,记录该最好值的粒子序号,并将Gbest设置为该最好粒子的当前位置;
步骤S22、评价每一个粒子,计算粒子的适应度值,若好于该粒子当前的个体极值,则将Pbest设置为该粒子的位置,且更新个体极值;若所有粒子的个体极值中最好的好于当前的全局极值,则将Gbest设置为该粒子的位置,记录该粒子的序号,且更新全局极值;
步骤S23、粒子的更新,用迭代公式对每一个粒子的速度和位置进行更新;
步骤S24、检验是否符合结束条件,若当前的迭代次数达到了预先设定的最大次数,则停止迭代,输出最优解,否则转到步骤S22;
步骤S25输入粒子群算法优化好的参数组合、训练集,进行LSTM神经网络预测模型的迭代优化;
将处理好的测试数据X输入到PSO-LSTM隐藏层中,输出预测数据为:P,网络训练损失函数采用均方误差。PSO-LSTM模型中采用经粒子群算法选定好的参数,优化目标为损失函数最小化,采用Adam优化算法对网络迭代更新不断调整模型权重、降低预测误差,其算法原理如下:
mmt为梯度前一时刻平均值,vmt为梯度后一时刻非中心方差值。
参数最终的更新公式如下:
在实际应用中效果较好,通常将β1设置为0.9,β2设置为0.9999,γ设置为10-8。实例证明其收敛速度快且模型精度高,还可以解决学习率消失及收敛过慢问题。
步骤S4:利用已训练好的LSTM神经网络模型对测试数据集进行预测,并评估模型误差。
采用训练好的LSTM神经网络模型对测试集进行预测,将预测数据同实际数据进行误差计算。还原预测数据进行输出。采用均方误差(MSE)和均方根误差(RMSE)作为评估指标,在预测中,MSE和RMSE的值越小,代表预测精度越高。其中,
均方误差:
均方根误差:
N是数据集个数,Yi是真实数据集,Yi *是预测数据集。
综上,本发明提出的粒子群算法优化LSTM神经网络的行程时间预测方法包括如下步骤:对收费站采集的数据进行归一化处理,分为训练集和测试集;采用粒子群算法对LSTM神经网络的模型参数进行优化;对LSTM神经网络预测模型进行训练;调用预测模型对测试数据集进行预测并评估预测误差。
本发明提出的粒子群算法优化LSTM神经网络的行程时间预测方法利用了粒子群算法和LSTM神经网络对参数组合快速寻优的特性,可以得到更高的预测精度,且对不同间隔数据样本有良好的适用性。
本发明的有效性可以通过实施例来进一步说明,实施例的数据不限制本发明的应用范围。
实验平台:处理器为Intel i5-6500,内存为8.0GB;系统是Windows10(64位);程序语言版本为Python3.6。
实验内容:
本实施例的数据来源于Openits所公布的广州市某高速公路的抽样刷卡数据。采取方法为每隔5分钟抽取10个刷卡样本。本实施例的数据量大,真实性高。为了真实对比车辆行程时间,本文选用相同进出口车辆数据。数据采集间隔分别为30分钟,60分钟,能够有效保证管理部门数据预测需求。采用离差标准化方法进行归一化,实验以前8天数据为训练集,后2天数据为测试集。
采用粒子群算法优化LSTM模型参数取值,设置群体规模为50,学习因子c1和c2均为2,迭代次数为100,惯性因子w为4,以60分钟行程时间数据进行分析。参数搜索空间:隐藏层数,40-200,步长为10;时间窗步长,4-20,步长为1;训练次数,10-320,步长为10;学习率,0.01-0.032,步长为0.001。
图2表示最优值迭代示意图。在粒子群算法中,随着迭代步数增加,可以在搜索空间快速找到近似最优解,实现搜索空间参数组合的最优解。经过粒子群算法的寻优,确定LSTM神经网络的参数组合为:隐藏层数为120,时间窗步长为6,训练次数为160,学习率为0.015。
实验选取了在行程时间预测中常用的模型作为对照:随机森林算法(RF)、支持向量机算法(SVM)、最近邻算法(KNN),同本发明的算法(PSO-LSTM)进行预测性能对比。图3是四种模型30分钟行程时间预测示意,图4是四种模型60分钟行程时间预测示意,图5是四种模型两个对样本预测均方误差,图6是四种模型两个对样本预测均方根误差。
表1为算法行程时间预测性能对比
本发明提出的一种基于粒子群算法优化LSTM神经网络的行程时间预测方法,能够获得更好的预测性能,提高了行程时间预测精度。本发明所提出的方法,在两个不同间隔数据中误差均最低,证明了方法具有良好的适用性。
以上是本发明的实施例,但本发明并不局限于上述特定实施方式,凡依本发明技术方案作出的改变,所产生的功能作用未超出本方法技术方案的范围时,其同样应当视作本发明所公开的内容。
Claims (8)
1.一种粒子群算法优化LSTM神经网络的行程时间预测方法,其特征在于:包括如下步骤:
步骤S1:采集行程时间数据,进行数据归一化,按比例划分为训练集和测试集;
步骤S2:采用粒子群算法优化LSTM神经网络预测模型的各个参数;
步骤S3:输入粒子群算法优化好的参数、训练集,进行LSTM神经网络预测模型的迭代优化;
步骤S4:利用已训练好的LSTM神经网络模型对测试集进行预测,并评估模型误差。
2.根据权利要求1所示的粒子群算法优化LSTM神经网络的行程时间预测方法,其特征在于,所述步骤S1具体为:
采用高速公路进出口收费站对行驶车辆信息收集,并分为30分钟、60分钟两个不同间隔的行程时间数据;
对数据进行归一化,并按照比例划分为训练集和测试集。
3.根据权利要求2所示的粒子群算法优化LSTM神经网络的行程时间预测方法,其特征在于,所述数据归一化方法采用min-max标准化,公式如下:
其中,x*是归一化后的行程时间数据,x为收集的行程时间数据,max为样本数据的最大值,min为样本数据的最小值。
4.根据权利要求1所示的粒子群算法优化LSTM神经网络的行程时间预测方法,其特征在于,所述步骤S2中,LSTM神经网络预测模型的所需优化参数包括:LSTM神经网络隐藏层数、时间窗步长、训练次数、学习率,所述粒子群算法优化LSTM神经网络的模型是在参数搜索空间里,以预测误差最小为目标函数,对参数组合进行优化。
5.根据权利要求4所示的粒子群算法优化LSTM神经网络的行程时间预测方法,其特征在于,所述在参数搜索空间里,以预测误差最小为目标函数,对参数组合进行优化具体包括:
步骤S21、初始化,初始搜索点的位置及其速度通常是在允许的范围内随机产生的,每个粒子的Pbest坐标设置为其当前位置,且计算出其相应的个体极值,即个体极值点的适应度值,而全局极值,即全局极值点的适应度值,就是个体极值中最好的值,记录该最好值的粒子序号,并将Gbest设置为该最好粒子的当前位置;
步骤S22、评价每一个粒子,计算粒子的适应度值,若好于该粒子当前的个体极值,则将Pbest设置为该粒子的位置,且更新个体极值;若所有粒子的个体极值中最好的好于当前的全局极值,则将Gbest设置为该粒子的位置,记录该粒子的序号,且更新全局极值;
步骤S23、粒子的更新,用迭代公式对每一个粒子的速度和位置进行更新;
步骤S24、检验是否符合结束条件,若当前的迭代次数达到了预先设定的最大次数,则停止迭代,输出最优解,否则转到步骤S22;
步骤S25、输入粒子群算法优化好的参数组合、训练集,进行LSTM神经网络预测模型的迭代优化。
6.根据权利要求1所示的粒子群算法优化LSTM神经网络的行程时间预测方法,其特征在于,所述步骤S3具体为:
输入粒子群算法优化好的参数组合,采用时间窗步长参数对输入数据进行处理,通过隐藏层数、训练次数、学习率对LSTM神经网络进行设置;
将预测均方误差作为LSTM神经网络的优化目标,采用Adam优化算法进行梯度计算。
7.根据权利要求6所示的粒子群算法优化LSTM神经网络的行程时间预测方法,其特征在于,所述采用Adam优化算法进行梯度计算具体为:采用Adam优化算法对网络迭代更新不断调整模型权重、降低预测误差,其算法原理为:
mmt为梯度前一时刻平均值,vmt为梯度后一时刻非中心方差值。
参数最终的更新公式如下:
在实际应用中效果较好,通常将β1设置为0.9,β2设置为0.9999,γ设置为10-8。
8.根据权利要求1所示的粒子群算法优化LSTM神经网络的行程时间预测方法,其特征在于,所述步骤S4具体为:
采用训练好的LSTM神经网络模型对预测集进行行程时间预测;
将预测数据同实际数据进行误差计算,误差计算采用均方误差和均方根误差两项指标,还原预测数据进行输出,其中,
均方误差:
均方根误差:
N是数据集个数,Yi是真实数据集,Yi *是预测集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810946075.7A CN108986470B (zh) | 2018-08-20 | 2018-08-20 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810946075.7A CN108986470B (zh) | 2018-08-20 | 2018-08-20 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986470A true CN108986470A (zh) | 2018-12-11 |
CN108986470B CN108986470B (zh) | 2022-03-29 |
Family
ID=64553837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810946075.7A Active CN108986470B (zh) | 2018-08-20 | 2018-08-20 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986470B (zh) |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598939A (zh) * | 2018-12-24 | 2019-04-09 | 中国科学院地理科学与资源研究所 | 一种基于多任务多视图学习模型的短时交通预测方法 |
CN109785629A (zh) * | 2019-02-28 | 2019-05-21 | 北京交通大学 | 一种短时交通流量预测方法 |
CN109788566A (zh) * | 2019-01-18 | 2019-05-21 | 南京邮电大学 | 基于深度增强学习的网络资源分配方法 |
CN110147901A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 基于指针神经网络的车辆路径规划方法、系统及存储介质 |
CN110147971A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 用于规划车辆路径的方法、系统及存储介质 |
CN110363349A (zh) * | 2019-07-15 | 2019-10-22 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
CN110535159A (zh) * | 2019-07-25 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种规模化储能电站运行单元故障预警的方法及系统 |
CN110784455A (zh) * | 2019-10-16 | 2020-02-11 | 国网湖北省电力有限公司电力科学研究院 | 基于线性递减权重粒子群算法优化Xgboost模型方法 |
CN111144542A (zh) * | 2019-12-26 | 2020-05-12 | 中国石油大学(北京) | 油井产能预测方法、装置和设备 |
CN111272436A (zh) * | 2020-02-11 | 2020-06-12 | 上海交通大学 | 一种燃气轮机NOx预测排放监测系统和方法 |
CN111291490A (zh) * | 2020-02-19 | 2020-06-16 | 东南大学 | 一种结构多尺度异类响应的非线性映射智能建模方法 |
CN111382699A (zh) * | 2020-03-09 | 2020-07-07 | 金陵科技学院 | 基于粒子群优化lstm算法的动态手势识别方法 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
TWI703517B (zh) * | 2019-07-18 | 2020-09-01 | 中華電信股份有限公司 | 車輛到站時間預測之系統與其方法 |
CN111667689A (zh) * | 2020-05-06 | 2020-09-15 | 浙江师范大学 | 车辆旅行时间预测的方法、设备和计算机设备 |
CN111709549A (zh) * | 2020-04-30 | 2020-09-25 | 东华大学 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
CN111915097A (zh) * | 2020-08-14 | 2020-11-10 | 南通大学 | 基于改进遗传算法优化lstm神经网络的水质预测方法 |
CN112015081A (zh) * | 2020-06-18 | 2020-12-01 | 浙江大学 | Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法 |
CN112067960A (zh) * | 2020-09-30 | 2020-12-11 | 广东电网有限责任公司中山供电局 | 基于pso和双向lstm的高压电缆局部放电模式识别方法 |
CN112131794A (zh) * | 2020-09-25 | 2020-12-25 | 天津大学 | 基于lstm网络的水工建筑物多效应量优化预测及可视化方法 |
CN112506899A (zh) * | 2020-11-25 | 2021-03-16 | 东华理工大学 | 一种基于改进lstm的pm2.5数据异常值检测方法 |
CN112667394A (zh) * | 2020-12-23 | 2021-04-16 | 中国电子科技集团公司第二十八研究所 | 一种计算机资源利用率优化方法 |
CN112883626A (zh) * | 2021-01-15 | 2021-06-01 | 重庆邮电大学 | 一种基于psoabc-lstm的电子鼻混合气体浓度预测方法 |
CN112906807A (zh) * | 2021-03-04 | 2021-06-04 | 中南大学 | 二维消息传递多处理器体系中的网络响应时间预测方法 |
CN112949813A (zh) * | 2019-11-26 | 2021-06-11 | 张汉威 | 人工智能训练参数迭代方法 |
CN113033878A (zh) * | 2021-03-05 | 2021-06-25 | 西北大学 | 基于多拓扑分级协同粒子群lstm的滑坡位移预测方法 |
CN113259325A (zh) * | 2021-04-21 | 2021-08-13 | 桂林电子科技大学 | 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 |
CN113282842A (zh) * | 2021-01-25 | 2021-08-20 | 上海海事大学 | 一种基于智能手机的出行调查和人工神经网络粒子群优化算法的出行目的识别方法 |
CN113326960A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于粒子群算法优化lstm的地铁牵引能耗预测方法 |
CN113420835A (zh) * | 2021-07-21 | 2021-09-21 | 中睿信数字技术有限公司 | 一种基于cpso-lstm的短期交通拥堵指数预测方法 |
CN113609767A (zh) * | 2021-07-30 | 2021-11-05 | 中国传媒大学 | 一种基于粒计算的小样本学习方法 |
CN113673153A (zh) * | 2021-08-11 | 2021-11-19 | 追觅创新科技(苏州)有限公司 | 机器人电磁转矩的确定方法和装置、存储介质、电子装置 |
CN113687433A (zh) * | 2021-09-15 | 2021-11-23 | 湖南师范大学 | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 |
CN113962454A (zh) * | 2021-10-18 | 2022-01-21 | 长江勘测规划设计研究有限责任公司 | 基于双重特征选择+粒子群优化的lstm能耗预测方法 |
CN114092768A (zh) * | 2021-11-30 | 2022-02-25 | 苏州浪潮智能科技有限公司 | 一种训练模型组中训练模型的筛选方法、装置及电子设备 |
CN114202065A (zh) * | 2022-02-17 | 2022-03-18 | 之江实验室 | 一种基于增量式演化lstm的流数据预测方法及装置 |
CN116663618A (zh) * | 2023-07-28 | 2023-08-29 | 之江实验室 | 一种算子优化方法、装置、存储介质及电子设备 |
CN117034078A (zh) * | 2023-08-07 | 2023-11-10 | 上海韶脑传感技术有限公司 | 脑电信号解码方法、装置、上位机及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331635A (zh) * | 2014-11-24 | 2015-02-04 | 国网吉林省电力有限公司信息通信公司 | 电力光纤通信光功率预测的方法 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106650789A (zh) * | 2016-11-16 | 2017-05-10 | 同济大学 | 一种基于深度lstm网络的图像描述生成方法 |
CN106652534A (zh) * | 2016-12-14 | 2017-05-10 | 北京工业大学 | 一种预测公交车到站时间的方法 |
CN106912067A (zh) * | 2017-02-13 | 2017-06-30 | 南京航空航天大学 | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 |
CN107194612A (zh) * | 2017-06-20 | 2017-09-22 | 清华大学 | 一种基于深度强化学习的列车运行调度方法及系统 |
AU2018100320A4 (en) * | 2018-03-15 | 2018-04-26 | Ji, Jiajian Mr | A New System for Stock Volatility Prediction by Using Long Short-Term Memory with Sentimental Indicators |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
-
2018
- 2018-08-20 CN CN201810946075.7A patent/CN108986470B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331635A (zh) * | 2014-11-24 | 2015-02-04 | 国网吉林省电力有限公司信息通信公司 | 电力光纤通信光功率预测的方法 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106650789A (zh) * | 2016-11-16 | 2017-05-10 | 同济大学 | 一种基于深度lstm网络的图像描述生成方法 |
CN106652534A (zh) * | 2016-12-14 | 2017-05-10 | 北京工业大学 | 一种预测公交车到站时间的方法 |
US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
CA3051358A1 (en) * | 2017-01-26 | 2018-08-02 | The Climate Corporation | Crop yield estimation using agronomic neural network |
CN106912067A (zh) * | 2017-02-13 | 2017-06-30 | 南京航空航天大学 | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 |
CN107194612A (zh) * | 2017-06-20 | 2017-09-22 | 清华大学 | 一种基于深度强化学习的列车运行调度方法及系统 |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
AU2018100320A4 (en) * | 2018-03-15 | 2018-04-26 | Ji, Jiajian Mr | A New System for Stock Volatility Prediction by Using Long Short-Term Memory with Sentimental Indicators |
Non-Patent Citations (5)
Title |
---|
OLIVER WALLSCHEID: "Investigation of long short-term memory networks to temperature prediction for permanent magnet synchronous motors", 《 2017 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
RENPING ZHANG: "Ship Track Prediction Based on AIS Data and PSO Optimized LSTM Network", 《社会科学前沿》 * |
刘金洋: "粒子群优化算法的研究与改进", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
卢伟: "基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测", 《农业工程学报》 * |
王鑫: "基于LSTM循环神经网络的故障时间序列预测", 《北京航空航天大学学报》 * |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598939B (zh) * | 2018-12-24 | 2019-08-27 | 中国科学院地理科学与资源研究所 | 一种基于多任务多视图学习模型的短时交通预测方法 |
CN109598939A (zh) * | 2018-12-24 | 2019-04-09 | 中国科学院地理科学与资源研究所 | 一种基于多任务多视图学习模型的短时交通预测方法 |
CN109788566A (zh) * | 2019-01-18 | 2019-05-21 | 南京邮电大学 | 基于深度增强学习的网络资源分配方法 |
CN109785629A (zh) * | 2019-02-28 | 2019-05-21 | 北京交通大学 | 一种短时交通流量预测方法 |
CN110147971B (zh) * | 2019-04-08 | 2023-02-03 | 合肥工业大学 | 用于规划车辆路径的方法、系统及存储介质 |
CN110147901A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 基于指针神经网络的车辆路径规划方法、系统及存储介质 |
CN110147971A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 用于规划车辆路径的方法、系统及存储介质 |
CN110363349A (zh) * | 2019-07-15 | 2019-10-22 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
CN110363349B (zh) * | 2019-07-15 | 2022-08-26 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
TWI703517B (zh) * | 2019-07-18 | 2020-09-01 | 中華電信股份有限公司 | 車輛到站時間預測之系統與其方法 |
CN110535159A (zh) * | 2019-07-25 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种规模化储能电站运行单元故障预警的方法及系统 |
CN110535159B (zh) * | 2019-07-25 | 2022-04-15 | 中国电力科学研究院有限公司 | 一种规模化储能电站运行单元故障预警的方法及系统 |
CN110784455A (zh) * | 2019-10-16 | 2020-02-11 | 国网湖北省电力有限公司电力科学研究院 | 基于线性递减权重粒子群算法优化Xgboost模型方法 |
CN110784455B (zh) * | 2019-10-16 | 2021-09-07 | 国网湖北省电力有限公司电力科学研究院 | 基于线性递减权重粒子群算法优化Xgboost模型方法 |
CN112949813A (zh) * | 2019-11-26 | 2021-06-11 | 张汉威 | 人工智能训练参数迭代方法 |
CN111144542B (zh) * | 2019-12-26 | 2023-09-22 | 中国石油大学(北京) | 油井产能预测方法、装置和设备 |
CN111144542A (zh) * | 2019-12-26 | 2020-05-12 | 中国石油大学(北京) | 油井产能预测方法、装置和设备 |
CN111272436A (zh) * | 2020-02-11 | 2020-06-12 | 上海交通大学 | 一种燃气轮机NOx预测排放监测系统和方法 |
CN111291490B (zh) * | 2020-02-19 | 2022-11-18 | 东南大学 | 一种结构多尺度异类响应的非线性映射智能建模方法 |
CN111291490A (zh) * | 2020-02-19 | 2020-06-16 | 东南大学 | 一种结构多尺度异类响应的非线性映射智能建模方法 |
CN113326960B (zh) * | 2020-02-28 | 2022-08-23 | 南京理工大学 | 基于粒子群算法优化lstm的地铁牵引能耗预测方法 |
CN113326960A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于粒子群算法优化lstm的地铁牵引能耗预测方法 |
CN111382699A (zh) * | 2020-03-09 | 2020-07-07 | 金陵科技学院 | 基于粒子群优化lstm算法的动态手势识别方法 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111709549A (zh) * | 2020-04-30 | 2020-09-25 | 东华大学 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
CN111709549B (zh) * | 2020-04-30 | 2022-10-21 | 东华大学 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
CN111667689A (zh) * | 2020-05-06 | 2020-09-15 | 浙江师范大学 | 车辆旅行时间预测的方法、设备和计算机设备 |
CN112015081A (zh) * | 2020-06-18 | 2020-12-01 | 浙江大学 | Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法 |
CN112015081B (zh) * | 2020-06-18 | 2021-12-17 | 浙江大学 | Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法 |
CN111915097B (zh) * | 2020-08-14 | 2022-11-11 | 南通大学 | 基于改进遗传算法优化lstm神经网络的水质预测方法 |
CN111915097A (zh) * | 2020-08-14 | 2020-11-10 | 南通大学 | 基于改进遗传算法优化lstm神经网络的水质预测方法 |
CN112131794A (zh) * | 2020-09-25 | 2020-12-25 | 天津大学 | 基于lstm网络的水工建筑物多效应量优化预测及可视化方法 |
CN112067960A (zh) * | 2020-09-30 | 2020-12-11 | 广东电网有限责任公司中山供电局 | 基于pso和双向lstm的高压电缆局部放电模式识别方法 |
CN112506899A (zh) * | 2020-11-25 | 2021-03-16 | 东华理工大学 | 一种基于改进lstm的pm2.5数据异常值检测方法 |
CN112667394A (zh) * | 2020-12-23 | 2021-04-16 | 中国电子科技集团公司第二十八研究所 | 一种计算机资源利用率优化方法 |
CN112667394B (zh) * | 2020-12-23 | 2022-09-30 | 中国电子科技集团公司第二十八研究所 | 一种计算机资源利用率优化方法 |
CN112883626A (zh) * | 2021-01-15 | 2021-06-01 | 重庆邮电大学 | 一种基于psoabc-lstm的电子鼻混合气体浓度预测方法 |
CN113282842A (zh) * | 2021-01-25 | 2021-08-20 | 上海海事大学 | 一种基于智能手机的出行调查和人工神经网络粒子群优化算法的出行目的识别方法 |
CN112906807A (zh) * | 2021-03-04 | 2021-06-04 | 中南大学 | 二维消息传递多处理器体系中的网络响应时间预测方法 |
CN113033878A (zh) * | 2021-03-05 | 2021-06-25 | 西北大学 | 基于多拓扑分级协同粒子群lstm的滑坡位移预测方法 |
CN113033878B (zh) * | 2021-03-05 | 2023-07-25 | 西北大学 | 基于多拓扑分级协同粒子群lstm的滑坡位移预测方法 |
CN113259325A (zh) * | 2021-04-21 | 2021-08-13 | 桂林电子科技大学 | 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 |
CN113420835A (zh) * | 2021-07-21 | 2021-09-21 | 中睿信数字技术有限公司 | 一种基于cpso-lstm的短期交通拥堵指数预测方法 |
CN113609767A (zh) * | 2021-07-30 | 2021-11-05 | 中国传媒大学 | 一种基于粒计算的小样本学习方法 |
CN113673153A (zh) * | 2021-08-11 | 2021-11-19 | 追觅创新科技(苏州)有限公司 | 机器人电磁转矩的确定方法和装置、存储介质、电子装置 |
CN113687433B (zh) * | 2021-09-15 | 2022-07-12 | 湖南师范大学 | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 |
CN113687433A (zh) * | 2021-09-15 | 2021-11-23 | 湖南师范大学 | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 |
CN113962454A (zh) * | 2021-10-18 | 2022-01-21 | 长江勘测规划设计研究有限责任公司 | 基于双重特征选择+粒子群优化的lstm能耗预测方法 |
CN114092768A (zh) * | 2021-11-30 | 2022-02-25 | 苏州浪潮智能科技有限公司 | 一种训练模型组中训练模型的筛选方法、装置及电子设备 |
CN114202065A (zh) * | 2022-02-17 | 2022-03-18 | 之江实验室 | 一种基于增量式演化lstm的流数据预测方法及装置 |
CN116663618A (zh) * | 2023-07-28 | 2023-08-29 | 之江实验室 | 一种算子优化方法、装置、存储介质及电子设备 |
CN116663618B (zh) * | 2023-07-28 | 2023-12-05 | 之江实验室 | 一种算子优化方法、装置、存储介质及电子设备 |
CN117034078A (zh) * | 2023-08-07 | 2023-11-10 | 上海韶脑传感技术有限公司 | 脑电信号解码方法、装置、上位机及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108986470B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986470A (zh) | 粒子群算法优化lstm神经网络的行程时间预测方法 | |
CN109243172A (zh) | 基于遗传算法优化lstm神经网络的交通流预测方法 | |
CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
Wang et al. | A cluster-based competitive particle swarm optimizer with a sparse truncation operator for multi-objective optimization | |
CN110555989B (zh) | 一种基于Xgboost算法的交通量预测方法 | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CN109472321A (zh) | 一种面向时间序列型地表水质大数据的预测与评估模型构建方法 | |
CN103164742A (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
CN114841257B (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
CN106056127A (zh) | 一种带模型更新的gpr在线软测量方法 | |
CN109840595B (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
CN104331716A (zh) | 面向大规模训练数据的svm主动学习分类算法 | |
CN102902772A (zh) | 一种基于多目标优化的Web社区发现方法 | |
CN110097060A (zh) | 一种面向树干图像的开集识别方法 | |
CN107609588A (zh) | 一种基于语音信号的帕金森患者updrs得分预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN109460785A (zh) | 一种基于gpu加速的锋电位实时分类的方法 | |
CN105334730B (zh) | 加热炉氧含量的iga优化t‑s模糊arx建模方法 | |
CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
CN117034116A (zh) | 一种基于机器学习的传统村落空间类型识别的方法 | |
CN109934344B (zh) | 一种改进的基于规则模型的多目标分布估计方法 | |
CN110111275A (zh) | 一种信号降噪的方法、系统及计算机存储介质 | |
CN115273645B (zh) | 一种室内面要素自动聚类的地图制图方法 | |
CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |