CN112434890A - 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 - Google Patents
基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 Download PDFInfo
- Publication number
- CN112434890A CN112434890A CN202011504301.XA CN202011504301A CN112434890A CN 112434890 A CN112434890 A CN 112434890A CN 202011504301 A CN202011504301 A CN 202011504301A CN 112434890 A CN112434890 A CN 112434890A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- time sequence
- ceemdan
- bilstm
- tunnel settlement
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims abstract description 13
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 230000000593 degrading effect Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004836 empirical method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CEEMDAN‑BiLSTM的隧道沉降时间序列的预测方法，该方法包括以下步骤：采集隧道上方的地表沉降数据，按时间顺序依次记录每个采集点的沉降数值，得到单维的隧道沉降时间序列并对其进行预处理；将预处理后的隧道沉降时间序列进行自适应噪声的完全集合经验模态分解，得到n个不同尺度的且较为平稳的固有模态函数IMF1～IMFn分量及一个剩余残差Res分量；确定时间尺度，对分解后的IMF分量及误差Res进行重构，归一化统一量纲，确定训练集和测试集；对各个训练集和测试集分别建立双向长短期记忆网络预测模型，预测隧道沉降子序列；将不同尺度下的隧道沉降子序列反归一化后进行叠加，得到最终隧道沉降的结果，按照不同的评价指标评估模型的预测效果以及稳定性。
Description
技术领域
本发明涉及一种隧道沉降预测方法，具体涉及一种基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法。
背景技术
隧道沉降问题不仅影响着城市轨道交通的发展，同时对城市居民的生命财产安全都有极大的威胁。因而对隧道的沉降进行精准的预测研究具有十分重要的意义。国内外学者对隧道的沉降预测进行了大量的研究。研究方法大致可以分为两类：理论计算经验法和实测数据分析法。理论计算经验法以Peck经验公式法为代表，包括数值分析法、数值模拟法、半理论解析法和随机理论模型等。
实测数据分析法分为基于统计学的方法和机器学习方法。尤其是机器学习的研究应用，为解决隧道沉降预测问题提供了许多新的解决思路。有人提出使用有限元法对隧道周边的建筑进行沉降研究，然后使用神经网络对各种沉降情况进行了研究，最终得出对隧道沉降的预测结论。
时间序列是指系统中某一变量的观测值按时间顺序排序成一个序列，它是受系统中其它各种因素影响的总结果.通过对此序列的研究，可分析出事物的变化特征和发展趋势、规律。时间序列现已被广泛应用于许多方面，如工程中隧道沉降，经济领域中的金融股票等。
理论计算经验法的有效性取决于土体模型的合理性和土体参数的获取方法，因而理论计算经验法的泛化性较差；而实测数据分析法有效性取决于大量的样本数据，因而泛化性较好，但是对复杂的非线性回归问题预测精度不高。
在隧道沉降领域，之前用的都是机器学习的方法，没有用过深度学习的方法。深度学习模型往往需要大量的数据做为模型的训练，但是因为隧道工期的原因却无法满足。
发明内容
有鉴于此，本发明提出一种在随机性较强的时间序列单维数据以及复杂的非线性回归问题情况下的基于自适应噪声的完全集合经验模态分解(CEEMDAN)和双向长短期记忆网络(BiLSTM)的隧道沉降时间序列的预测方法，用于解决现有技术存在的在上述情况下预测精度不高的问题。
本发明采用以下技术方案实现：
一种基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法，包括以下步骤：
1)采集隧道上方的地表沉降数据，按时间顺序依次记录每个采集点的沉降数值，得到单维的隧道沉降时间序列并对其进行预处理；
2)将预处理后的隧道沉降时间序列进行自适应噪声的完全集合经验模态分解(CEEMDAN)，得到n个不同尺度的且较为平稳的固有模态函数IMF1～IMFn分量及一个剩余残差Res分量；
3)确定时间尺度，对分解后的IMF分量及误差Res进行重构，归一化统一量纲，确定训练集和测试集；
4)对各个训练集和测试集分别建立长短期记忆神经网络LSTM预测模型，采用所得模型预测得到隧道沉降子序列；
5)将不同尺度下的隧道沉降子序列反归一化后进行叠加，得到最终隧道沉降的结果，按照不同的误差评价指标评估模型的预测效果以及稳定性；
上述技术方案中，可选的，所述的双向长短期记忆网络是一种时间循环神经网络，学习时间序列的长短期依赖于信息，适合处理和预测时间序列中的间隔和延迟事件。所述的双向长短期记忆网络包括输入门、输出门、遗忘门，通过控制不同的门控开关，来选择性的处理信息。
可选的，所述的步骤2)中，将预处理后的隧道沉降时间序列进行自适应噪声的完全集合经验模态分解CEEMDAN，具体为：将单维的隧道沉降时间序列分解成一系列高频和低频信号并按频率从高到低排列下来。所述CEEMDAN采用添加有限次的自适应的白噪声的方法对EEMD算法进行了改进，可有效解决EMD的混频现象。
可选的，所述的步骤1)中，对单维的隧道沉降时间序列进行预处理，具体为：使用0-1标准化处理数据。
可选的，步骤5)中，选用平均绝对值误差(MAE)，平均平方根误差(RMSE)，平均百分比误差(MAPE)作为误差评价指标。
可选的，通过多次训练并调整衡量预测精度的阈值，以调整和优化预测结果。
可选的，通过多次实验，选择最佳参数设置，保证模型达到最佳的预测效果。
本发明与现有的隧道沉降预测方法相比，具有以下优点：
本发明针对目前隧道沉降预测单一模型或统计方法预测精度较低、泛化性差等问题，提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)与双向长短期记忆网络(BiLSTM)的隧道沉降时间序列预测方法，使用(CEEMDAN)提取沉降序列中的IMFn分量与Res分量，利用BiLSTM分别对IMFn分量与Res分量进行序列预测，输出各分量的预测结果，通过叠加各分量的预测序列生成隧道沉降预测序列。CEEMDAN分解可以起到数据增强的作用，从而能够满足双向长短期记忆网络(BiLSTM)需要大量的数据作为模型训练的需要。本发明方法在对隧道沉降的预测研究中不论是预测精度还是泛化性上都要优于单一的学习预测模型，可以有效的应用于实际工程中对隧道沉降的预测。
附图说明
图1为CEEMDAN对原始隧道沉降序列的分解为4个固有模态函数IMF1～IMF3分量和1个剩余残差Res分量；
图2为基于CEEMDAN-BiLSTM方法与其他方法的隧道沉降预测效果比较图。
具体实施方式
以下内容结合附图对本发明的优选实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。
为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。
经验模式分解EMD算法将原始序列分解成多个具有局部时变特性的本征模态函数，针对各函数的特点分别预测后形成最终结果，该方法具有优良的时频聚集性，因此对于预测沉降这种突变信号有较强的先天优势。经验模态分析方法也存在问题和不足之处，主要是：用EMD分解得到的IMF存在模态混合现象，末端效应影响分解效果。利用白噪声频谱均匀分布的特性，在等待分析信号中加入白噪声，这样不同时间尺度的信号可以自动分离到与其相适应的参考尺度上去，这就是集合经验模态分解EEMD方法。自适应噪声的完全集合经验模态分解CEEMDAN算法采用添加有限次的自适应白噪声的方法对EEMD算法进行了改进。双向长短期记忆网络BiLSTM是一种时间循环神经网络，学习时间序列的长短期依赖于信息，适合处理和预测时间序列中的间隔和延迟事件。
一种基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法，包括以下步骤：
1)采集隧道上方的地表沉降数据，按时间顺序依次记录每个采集点的沉降数值，得到单维的隧道沉降时间序列并对其进行预处理；
2)将预处理后的隧道沉降时间序列进行自适应噪声的完全集合经验模态分解(CEEMDAN)，得到n个不同尺度的且较为平稳的固有模态函数IMF1～IMFn分量及一个剩余残差Res分量；
3)确定时间尺度，对分解后的IMF分量及误差Res进行重构，归一化统一量纲，确定训练集和测试集；
4)对各个训练集和测试集分别建立双向长短期记忆网络BiLSTM预测模型，采用所得模型预测得到隧道沉降子序列；
5)将不同尺度下的隧道沉降子序列反归一化后进行叠加，得到最终隧道沉降的结果，按照不同的误差评价指标评估模型的预测效果以及稳定性。
所述的自适应噪声的完全集合经验模态分解(CEEMDAN)是利用白噪声频谱均匀分布的特性，在等待分析的信号中加入白噪声，这样不同时间尺度的信号可以自动分离到与其相适应的参考尺度上去。
所述的双向长短期记忆网络(BiLSTM)是一种时间循环神经网络，学习时间序列的长短期依赖于信息，适合处理和预测时间序列中的间隔和延迟事件。包括输入门、输出门、遗忘门，通过控制不同的门控开关，来选择性的处理信息。长短期记忆循环神经网络LSTM从循环神经网络RNN发展而来，具有很强的泛化能力，能很好的解决时间序列数据频率高、高波动性强等问题，来实现对短期时间内的高精准度预测。
算法伪代码如下所示：
CEEMDAN_BiLSTM输入：训练集X＝{x1,x2,x3,…,xn}；
数据预处理归一化后用CEEMDAN分解，确定时间尺度，确定训练集和测试集；
对各个训练集和测试集分别建立BiLSTM预测模型，预测子序列；
将不同尺度的隧道沉降预测分量反归一化后进行叠加，得到最终预测结果。
过程：
1：CEEMDAN分解，得到n个固有模态函数IMF分量和一个剩余残差Res分量：
其中imfi(t)是EMD分解得到的第i个IMF；rn(t)是分解筛除n个IMF后的信号残余分量，常常代表信号的直流分量或信号的趋势；t为时间。
2：抽取第i个IMF，停止条件用标准差Sd控制
ri(t)＝ri-1(t)-imfi(t)
其中Sd为两个连续的处理结果之间的标准差；hi(t)为分解模态分量；ri(t)为剩余模态分量。
3：将单维的原始时间序列隧道沉降数据拓展成n个IMF分量和1个Res分量，各分量如下：
X1＝{x11，x12，x13,…,x1n},
X2＝{x21,x22，x23，…，x2n}，
X3＝{x31,x32，x33，…，x3n}，
…
Xk＝{xk1，xk2，xk3，…，xkn}
4：各个分量分别经过BiLSTM模型处理
BiLSTM模型的输入是分解的子序列中的当前时间段内一个时间内的所有数值，即{xk1,xk2,xk3…,xkt}。预测值输出为下一个时间段要预测的数值。通过将CEEMDAN分解的子序列分别输入BiLSTM模型中，经过三个门型结构的计算处理，得到各个子序列的预测值，然后将各个子序列的预测值相加，得到最终的预测值。
CEEMDAN-BiLSTM输出：
将各个子序列的预测结果结合起来，得到最终的实验结果Y＝{y1,y2,y3,…,yn}。
选用3个评价指标分别对CEEMDAN-BiLSTM的预测结果进行评价，分别为平均绝对值误差(MAE)，平均平方根误差(RMSE)，平均百分比误差(MAPE)，计算公式如下：
上式中yi为真实值，
为预测值，n表示测试集的长度。
所述更新样本权重采用如下方法：
对预测结果进行评价，调整CEEMDAN和BiLSTM的参数。如表1所示，示意了CEEMDAN-BiLSTM模型算法和BPnetwork、SVR、LSTM以及EMD-BiLSTM性能比较，结果显示CEEMDAN-BiLSTM算法的预测准确度高于传统的机器学习模型并且优于单一LSTM模型和EMD-BiLSTM模型。表1只是通过实验的方式进行了采集点的选取，为了保证结果的客观性，从中截取一段数据作为示意，并未对数据进行筛选。
表1 CEEMDAN-BiLSTM算法和BPnetwork、SVR、LSTM以及EMD-BiLSTM性能比较
图1示意(CEEMDAN)分解的模态分量，可以看出(CEEMDAN)能够有效抑制EMD的模态混叠现象，并且降低了末端效应的影响效果，解决了EEMD不能完全消除噪声的影响。
图2示意了基于CEEMDAN-BiLSTM的采集点563隧道沉降时间序列的预测方法的仿真结果。图中可见，CEEMDAN-BiLSTM预测输出最接近于期望输出，比SVR、BP神经网络、LSTM或EMD-BiLSTM更准确，与表1的结果相符。
虽然以上将实施例分开说明和阐述，但涉及部分共通之技术，在本领域普通技术人员看来，可以在实施例之间进行替换和整合，涉及其中一个实施例未明确记载的内容，则可参考有记载的另一个实施例。
以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。
Claims (7)
1.一种基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法，其特征在于：包括以下步骤：
1)采集隧道上方的地表沉降数据，按时间顺序依次记录每个采集点的沉降数值，得到单维的隧道沉降时间序列并对其进行预处理；
2)将预处理后的隧道沉降时间序列进行自适应噪声的完全集合经验模态分解CEEMDAN，得到n个不同尺度的且较为平稳的固有模态函数IMF1～IMFn分量及一个剩余残差Res分量；
3)确定时间尺度，对分解后的IMF分量及误差Res进行重构，归一化统一量纲，确定训练集和测试集；
4)对各个训练集和测试集分别建立双向长短期记忆网络BiLSTM预测模型，采用所得模型预测得到隧道沉降子序列；
5)将不同尺度下的隧道沉降子序列反归一化后进行叠加，得到最终隧道沉降的结果，按照不同的误差评价指标评估模型的预测效果以及稳定性。
2.根据权利要求1所述的基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法，其特征在于：所述的双向长短期记忆网络是一种时间循环神经网络，学习时间序列的长短期依赖于信息，适合处理和预测时间序列中的间隔和延迟事件。
3.根据权利要求2所述的基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法，其特征在于：所述的双向长短期记忆网络包括输入门、输出门、遗忘门，通过控制不同的门控开关，来选择性的处理信息。
4.根据权利要求1所述的基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法，其特征在于：所述的步骤2)中，将预处理后的隧道沉降时间序列进行自适应噪声的完全集合经验模态分解CEEMDAN，具体为：将单维的隧道沉降时间序列分解成一系列高频和低频信号并按频率从高到低排列下来。
5.根据权利要求1所述的基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法，其特征在于：所述的步骤1)中，对单维的隧道沉降时间序列进行预处理，具体为：使用0-1标准化处理数据。
6.根据权利要求1所述的基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法，其特征在于：步骤5)中，选用平均绝对值误差(MAE)，平均平方根误差(RMSE)，平均百分比误差(MAPE)作为误差评价指标。
7.根据权利要求6所述的基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法，其特征在于：通过多次实验，选择最佳参数设置，保证模型达到最佳的预测效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011504301.XA CN112434890A (zh) | 2020-12-18 | 2020-12-18 | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011504301.XA CN112434890A (zh) | 2020-12-18 | 2020-12-18 | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112434890A true CN112434890A (zh) | 2021-03-02 |
Family
ID=74696731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011504301.XA Pending CN112434890A (zh) | 2020-12-18 | 2020-12-18 | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434890A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113093020A (zh) * | 2021-04-02 | 2021-07-09 | 中国矿业大学 | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 |
| CN113935513A (zh) * | 2021-08-30 | 2022-01-14 | 上海电力大学 | 一种基于ceemdan的短期电力负荷预测方法 |
| CN114509267A (zh) * | 2022-01-20 | 2022-05-17 | 哈尔滨工程大学 | 一种基于CEEMDAN与Bi-LSTM的滚动轴承小样本不平衡故障诊断方法 |
| CN114756605A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种基于时间序列数据的混频预测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461450A (zh) * | 2020-04-10 | 2020-07-28 | 河海大学 | 基于eemd和lstm的水电机组劣化度预测方法 |
| CN112001559A (zh) * | 2020-08-31 | 2020-11-27 | 华东交通大学 | 一种变形监测预报方法 |
-
2020
- 2020-12-18 CN CN202011504301.XA patent/CN112434890A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461450A (zh) * | 2020-04-10 | 2020-07-28 | 河海大学 | 基于eemd和lstm的水电机组劣化度预测方法 |
| CN112001559A (zh) * | 2020-08-31 | 2020-11-27 | 华东交通大学 | 一种变形监测预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| 范宇雪等: "基于BI-LSTM的小样本滚动轴承故障诊断方法研究", 《噪声与振动控制》 * |
| 赵明珠等: "基于LSTM神经网络的地铁车站温度预测", 《北京交通大学学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113093020A (zh) * | 2021-04-02 | 2021-07-09 | 中国矿业大学 | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 |
| CN113093020B (zh) * | 2021-04-02 | 2022-07-12 | 中国矿业大学 | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 |
| CN113935513A (zh) * | 2021-08-30 | 2022-01-14 | 上海电力大学 | 一种基于ceemdan的短期电力负荷预测方法 |
| CN114509267A (zh) * | 2022-01-20 | 2022-05-17 | 哈尔滨工程大学 | 一种基于CEEMDAN与Bi-LSTM的滚动轴承小样本不平衡故障诊断方法 |
| CN114756605A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种基于时间序列数据的混频预测方法及系统 |
| CN114756605B (zh) * | 2022-06-14 | 2022-09-16 | 之江实验室 | 一种基于时间序列数据的混频预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112434890A (zh) | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 | |
| CN107885951B (zh) | 一种基于组合模型的水文时间序列预测方法 | |
| CN112132333A (zh) | 一种基于深度学习的短期水质水量预测方法及系统 | |
| CN113065703A (zh) | 一种结合多种模型的时间序列预测方法 | |
| CN111160651B (zh) | 一种基于stl-lstm的地铁客流预测方法 | |
| Xiao et al. | The chaotic characteristic of the carbon-monoxide utilization ratio in the blast furnace | |
| Xu et al. | A water level prediction model based on ARIMA-RNN | |
| CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN111415008B (zh) | 一种基于vmd-foa-grnn的船舶流量预测方法 | |
| CN113361690A (zh) | 水质预测模型训练、水质预测方法、装置、设备及介质 | |
| CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
| Wu et al. | Application of time serial model in water quality predicting | |
| CN111507505A (zh) | 一种水库日入量预测模型的构建方法 | |
| CN114330815A (zh) | 一种基于改进goa优化lstm的超短期风电功率预测方法与系统 | |
| Lian | Runoff forecasting model based on CEEMD and combination model: a case study in the Manasi River, China | |
| CN117035155A (zh) | 一种水质预测方法 | |
| CN112434888A (zh) | 一种基于深度学习的双向长短期记忆网络的pm2.5预测方法 | |
| CN115217152B (zh) | 一种沉管隧道管节接头张合变形的预测方法及装置 | |
| CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
| CN115687322A (zh) | 基于编码器-解码器和自回归生成对抗网络的水质时间序列缺失数据补全方法 | |
| CN116127833A (zh) | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 | |
| CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
| CN115389743A (zh) | 一种变压器油中溶解气体含量区间预测方法、介质及系统 | |
| Kang et al. | Research on forecasting method for effluent ammonia nitrogen concentration based on GRA-TCN | |
| Chen et al. | Combining wavelet transform and Markov model to forecast traffic volume |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |