CN112561174A - 基于lstm和mlp的叠加神经网络预测地热产能方法 - Google Patents
基于lstm和mlp的叠加神经网络预测地热产能方法 Download PDFInfo
- Publication number
- CN112561174A CN112561174A CN202011505944.6A CN202011505944A CN112561174A CN 112561174 A CN112561174 A CN 112561174A CN 202011505944 A CN202011505944 A CN 202011505944A CN 112561174 A CN112561174 A CN 112561174A
- Authority
- CN
- China
- Prior art keywords
- mlp
- lstm
- network
- data
- geothermal energy
- 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
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/10—Geothermal energy
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LSTM和MLP的叠加神经网络预测地热产能方法,应用于地热产能预测领域,具体步骤为:利用多层LSTM网络学习时序数据之间的关联;将LSTM网络的输出值使用linear激活函数进行转换,得到转换后的数据;将所述转换后的数据与约束数据串联作为MLP网络的输入值,所述MLP网络学习所述约束数据和所述时序数据之间的非线性关系;所述MLP网络输出所述时序数据下一时刻的预测值。本发明方法结合了MLP处理非线性映射关系和LSTM处理序列数据的优势,并将约束数据和时序数据结合,能够对地热产能进行更准确、更稳定的数据预测。
Description
技术领域
本发明涉及地热产能预测技术领域,更具体的说是涉及一种基于LSTM和MLP的叠加神经网络预测地热产能方法。
背景技术
全球科技正向着数字化、信息化、智能化方向发展,大数据爆发推动着高效、准确、智能的机器学习技术进步,数字化、智能化地热开发是未来发展的必然趋势。探索机器学习技术在地热开采领域的应用具有十分重要的意义,可以降本增效、提高地热资源勘探开发效率,人工神经网络等机器学习技术在地热产能智能预测方面有较大的应用可行性。
地热系统的产能受较多因素控制,包括储层物性、注采参数和布井方式等。在多因素相互耦合干扰作用下,地热系统的产能与这些因素之间往往表现出高度非线性关系,要准确实时预测地热产能十分困难。虽然借助传统的数值模拟方法可准确预测地热产能,但其耗时较长,不具备时效性。前人已针对机器学习预测时序数据开展了大量研究,但上述大多有关油气产量预测的研究仅以历史产量作为训练数据,并未考虑作业参数、地层物性参数等关键因素对产量的限制,仅借助LSTM处理序列数据的优势实现油气产能预测,预测效果不太理想。
因此,如何提供一种能准确、稳定地预测不同约束条件下多分支井地热产能的方法,是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于LSTM和MLP的叠加神经网络预测地热产能方法。
为了实现上述目的,本发明提供如下技术方案:
本发明公开了一种基于LSTM和MLP的叠加神经网络预测地热产能方法,具体步骤为:
利用多层LSTM网络学习时序数据之间的关联;
将LSTM网络的输出值使用linear激活函数进行转换,得到转换后的数据;
将所述转换后的数据与约束数据串联作为MLP网络的输入值,所述MLP网络学习所述约束数据和所述时序数据之间的非线性关系;
所述MLP网络输出所述时序数据下一时刻的预测值。
进一步的,所述时序数据为地热产能的平均生产温度或取热功率。
进一步的,所述约束数据为注入排量、储层渗透率、储层温度和分支井间距。
进一步的,所述LSTM网络和MLP网络中采用的sigmoid函数和tanh激活函数的数值范围分别为[0,1]和[-1,1]。
进一步的,所述时序数据输入LSTM网络之前,以及所述约束数据输入MLP网络之前,需要对所述时序数据和所述约束数据进行归一化处理。
进一步的,对所述时序数据下一时刻的预测值进行反归一化得到实际值。
进一步的,使用训练集对LSTM和MLP叠加的神经网络进行训练,使用验证集进行验证,采用均方根误差、均方根百分比误差、平均绝对误差百分比对预测结果进行误差分析。
经由上述的技术方案可知,与现有技术相比,本发明公开了一种结合LSTM网络和MLP网络的叠加神经网络预测地热产能的方法,结合了多层感知器网络(Multi-LayerPerceptron,MLP)处理非线性映射关系和LSTM处理序列数据的优势,以历史生产温度或取热功率作为训练数据,以储层渗透率、储层温度、注采分支井间距和注入排量作为约束数据,将约束数据和时序数据结合,对地热产能进行更准确、稳定的数据预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明基于LSTM和MLP的叠加神经网络结构示意图;
图2(a)为本发明中生产温度的训练与验证误差平均值柱状图;
图2(b)为本发明中取热功率的训练与验证误差平均值柱状图;
图3为本发明生产温度的验证数据集部分真实值和预测值对比示意图;
图4(a)为本发明训练数据中不同约束条件下生产温度预测值与真实值对比示意图;
图4(b)为本发明训练数据中不同约束条件下取热功率预测值与真实值对比示意图;
图5(a)为本发明训练数据中不同约束条件下生产温度预测误差柱状图;
图5(b)为本发明训练数据中不同约束条件下取热功率预测误差柱状图;
图6(a)为本发明新算例不同约束条件下生产温度预测值与真实值对比示意图;
图6(b)为本发明新算例不同约束条件下取热功率预测值与真实值对比示意图;
图7(a)为本发明新算例不同约束条件下生产温度预测误差柱状图;
图7(b)为本发明新算例不同约束条件下取热功率预测误差柱状图;
图8为本发明MLP、LSTM、LSTM和MLP叠加网络对生产温度预测误差对比柱状图;
图9为本发明MLP、LSTM、LSTM与MLP叠加网络对三组新算例的生产温度预测值与真实值示意图;
图10为本发明MLP、LSTM、LSTM与MLP叠加网络对三组新算例的生产温度预测误差柱状图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种LSTM和MLP叠加的神经网络结构,如图1所示,首先,利用多层LSTM网络学习时序数据Xt间的关联,然后将LSTM网络的输出值经linear激活函数转换后与约束数据(x1,x2,x3…xi)串联作为MLP的输入值,MLP学习约束条件与时序数据间的非线性关系,最终输出时序数据下一时刻的预测值。在具体实例中,Xt可以是生产分支井的平均生产温度或取热功率,而xi即为储层渗透率、储层温度、分支井间距和注入排量等约束条件。
在本实施例中,重点选择了四个对产能影响较大的因素作为约束条件,即注入排量、储层渗透率、储层温度和分支井间距,这些参数的取值如表1所示每个约束条件取5个不同的值,然后采用全排列方式取值开展数值模拟计算,即计算了54=625组算例,每组算例包括30年的生产数据,得到了不同约束条件下的分支井平均生产温度和取热功率。
表1训练数据的不同约束条件取值
约束条件 | 数值 |
注入排量(kg/s) | 40,60,80,100,120 |
储层温度(℃) | 100,120,150,180,200 |
储层渗透率(md) | 5,10,20,50,100 |
分支井间距(m) | 250,300,350,400,450 |
在LSTM和MLP网络中,采用的sigmoid和tanh激活函数的数值范围分别为[0,1]和[-1,1]。因此将约束条件数据和序列数据输入给LSTM与MLP叠加的网络之前,需要进行归一化处理,训练结束后再将模型预测值进行反归一化得到实际值。LSTM网络的输入格式要求将序列数据按照一定批次(batch)和时间步长(lag)输入,因此还需将分支井的生产温度和取热功率按照指定步长划分为批量数据。在学习训练神经网络模型时,通常包括训练过程和验证过程,因此需要将按照步长划分好的批量数据进一步划分为训练数据集和验证数据集。本实施例使用不同约束条件下的分支井平均生产温度和取热功率作为训练数据集和验证数据集,在本实施例的所有模型训练过程中,训练数据集占总批量数据的90%,验证数据集占10%。
为评价神经网络模型的预测效果,常采用均方根误差(root mean square error,RMSE)、均方根百分比误差(root mean square percentage error,RMSPE)和平均绝对误差百分比(mean absolute percentage error,MAPE)等指标评价预测值与真实值间的误差。其中,均方根误差的计算表达式为:
式中,n为样本数量,yi pred是预测值,yi act是真实值。
均方根百分比误差的计算表达式为:
平均绝对误差百分比的计算表达式为:
现在通过一个LSTM和MLP叠加的神经网络模型实例,分析其学习数据集和训练数据集的误差。该神经网络模型实例的网络结构参数如表2所示。表中的Dropout表示随机停止的神经元数量的百分比,这是一种正则化方法,避免学习过程中的过拟合现象。该实例采用的LSTM和MLP叠加的网络结构中,LSTM只有一层,该层的神经元节点共有150个;MLP有三层结构,每层神经元节点数均为64,且采用tanh激活函数,未使用Dropout方法;最后的输出层只有一个神经元节点,并采用linear线性激活函数。本实例的输入数据归一化范围是[-1,1]。本实施例采用python语言在keras学习框架下搭建人工神经网络并进行学习训练。
表2 LSTM和MLP叠加网络结构参数
由于训练数据集和验证数据集的划分具有随机性,因此每次学习得到的模型预测误差会有所不同。为确保每种神经网络结构的预测结果准确可靠,本实施例对所有网络结构均进行10次学习,并将10次预测误差的平均值和标准偏差进行对比分析。图2分别展示了上述实例对生产温度和取热功率的训练数据集与验证数据集的平均预测误差。由图2(a)可知,该网络结构对生产温度的训练数据集和验证数据集的预测误差大致相同,其中训练和验证数据集的RMSE平均值均为0.141,且标准差在±0.01左右,说明网络结构对生产温度的预测结果准确可靠。由图2(b)可知,该网络结构对取热功率的训练数据集和验证数据集的预测误差也大致相同,其中训练和验证数据集的RMSE平均值均为0.026,且标准差在±0.002左右,说明网络结构对取热功率也具有准确的预测效果。
为直观展示神经网络的预测效果,本实施例对比了表2所示神经网络结构的预测值与真实值。图3对比了生产温度验证数据集的部分预测值和真实值。为增加一批样本内数据特征多样性,以提高神经网络的学习训练效果,在神经网络学习训练前打乱了所有训练数据的顺序,使一个样本中混合了不同约束条件下的生产温度和取热功率。因此图3中的验证数据集也是不同约束条件下的生产温度,即为无顺序的散点数据。由图可知,预测值与真实值的吻合度很高,说明该神经网络针对验证数据集具有较好的预测效果。
图4和图5展示了训练数据中不同约束条件下的生产温度和取热功率预测效果,即从表1中选出三组算例对比其数值模拟真实值和神经网络预测值,以及预测误差。具体的约束条件为:算例1:注入排量80kg/s,储层温度180℃,储层渗透率10md,注采分支井间距400m;算例2:注入排量60kg/s,储层温度150℃,储层渗透率50md,注采分支井间距250m;算例3:注入排量100kg/s,储层温度200℃,储层渗透率5md,注采分支井间距350m。由图4可知,三个算例的生产分支井平均生产温度和取热功率的预测值和真实值都具有很好吻合度,未出现预测误差较大的点。从图5可看出,所有算例的生产温度和取热功率的各项预测误差均较低,说明LSTM和MLP叠加神经网络对训练集算例具有准确预测效果。
图6和图7展示了新算例不同约束条件下的生产温度和取热功率预测效果,即采用未用于网络学习训练的三个新算例的数值模拟真实值与模型预测值进行对比。三个新算例的约束条件为:算例1:注入排量90kg/s,储层温度160℃,储层渗透率8md,注采分支井间距400m;算例2:注入排量60kg/s,储层温度140℃,储层渗透率15md,注采分支井间距380m;算例3:注入排量70kg/s,储层温度190℃,储层渗透率25md,注采分支井间距450m。由图6可知,三个新算例的取热功率真实值和预测值吻合度较高,而生产温度在热突破前预测值与真实值都略有偏差,热突破后预测值和真实值均吻合很好,但热突破前的最大偏差均在0.5℃以内。从图7可看出,三个新算例约束条件下的生产温度预测误差均明显大于图5中训练数据算例的生产温度预测误差,而新算例和训练数据算例的取热功率预测误差相当。整体而言,新算例约束条件下的生产温度平均预测误差RMSE在1.0以内,取热功率平均预测误差RMSE在0.03以内,误差均较小,满足工程精度要求,因此说明本发明搭建的LSTM和MLP叠加的神经网络具有较好的泛化能力,可准确预测不同约束条件下(包括训练数据之外的算例)的多分支井地热系统产能。
另外的,本实施例对比了LSTM和MLP叠加网络与MLP、LSTM网络的预测效果。
图8对比了1层MLP、1层LSTM网络、LSTM和MLP叠加网络对生产温度验证数据集的平均预测误差。由图8可知,普通MLP网络的预测误差最大,LSTM网络的预测标准差最大,而LSTM和MLP叠加网络的预测误差与标准差均远小于普通MLP和LSTM网络。说明LSTM和MLP叠加网络可结合LSTM和MLP网络的优势,大幅提高地热系统产能预测的准确性与稳定性。
图9对比了1层MLP网络、1层LSTM网络、LSTM和MLP叠加网络对三组新算例的生产温度预测值、数值模拟真实值。算例1:注入排量90kg/s,储层温度160℃,储层渗透率8md,注采分支井间距400m;算例2:注入排量60kg/s,储层温度140℃,储层渗透率15md,注采分支井间距380m;算例3:注入排量70kg/s,储层温度190℃,储层渗透率25md,注采分支井间距450m。由图可知,对于三组算例,LSTM和MLP叠加网络对生产温度的预测值与真实值的吻合度都是三种网络中最高的。其中,MLP网络对算例3的预测值与真实值偏差较大,并出现局部预测异常点,见图中椭圆标注部分;LSTM网络对算例2和算例3的预测值与真实值偏差都较大。图10对比了1层MLP网络、1层LSTM网络、LSTM和MLP叠加网络对三组新算例的生产温度预测误差。由图可知,LSTM和MLP叠加网络对生产温度的预测误差远小于普通MLP、LSTM网络。因此,再次验证了LSTM和MLP叠加网络对地热系统产能预测具有较高的准确性和稳定性。
本发明实施例提供的方法,解决了传统预测产能方法中准确性较低的缺点,通过LSTM和MLP叠加神经网络可准确、稳定地预测不同约束条件下的多分支井二氧化碳地热系统产能,对生产温度的预测误差在0.5℃以内,平均RMSE在1.0以内,对取热功率的预测值与真实值吻合度较高,平均RMSE在0.03以内,满足工程精度要求,具有较好的泛化能力。LSTM和MLP叠加神经网络对多分支井地热系统产能预测的准确性和稳定性均优于LSTM、MLP神经网络。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本实施例中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本发明所示的这些实施例,而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于LSTM和MLP的叠加神经网络预测地热产能方法,其特征在于,具体步骤为:
利用多层LSTM网络学习时序数据之间的关联;
将LSTM网络的输出值使用linear激活函数进行转换,得到转换后的数据;
将所述转换后的数据与约束数据串联作为MLP网络的输入值,所述MLP网络学习所述约束数据和所述时序数据之间的非线性关系;
所述MLP网络输出所述时序数据下一时刻的预测值。
2.如权利要求1所述的一种基于LSTM和MLP的叠加神经网络预测地热产能方法,其特征在于,所述时序数据为地热产能的平均生产温度或取热功率。
3.如权利要求1所述的一种基于LSTM和MLP的叠加神经网络预测地热产能方法,其特征在于,所述约束数据为注入排量、储层渗透率、储层温度和分支井间距。
4.如权利要求1所述的一种基于LSTM和MLP的叠加神经网络预测地热产能方法,其特征在于,所述LSTM网络和MLP网络中采用的sigmoid函数和tanh激活函数的数值范围分别为[0,1]和[-1,1]。
5.如权利要求1所述的一种基于LSTM和MLP的叠加神经网络预测地热产能方法,其特征在于,所述时序数据输入LSTM网络之前,以及所述约束数据输入MLP网络之前,需要对所述时序数据和所述约束数据进行归一化处理。
6.如权利要求5所述的一种基于LSTM和MLP的叠加神经网络预测地热产能方法,其特征在于,对所述时序数据下一时刻的预测值进行反归一化得到实际值。
7.如权利要求1所述的一种基于LSTM和MLP的叠加神经网络预测地热产能方法,其特征在于,使用训练集对LSTM和MLP叠加的神经网络进行训练,使用验证集进行验证,采用均方根误差、均方根百分比误差、平均绝对误差百分比对预测结果进行误差分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505944.6A CN112561174B (zh) | 2020-12-18 | 2020-12-18 | 基于lstm和mlp的叠加神经网络预测地热产能方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505944.6A CN112561174B (zh) | 2020-12-18 | 2020-12-18 | 基于lstm和mlp的叠加神经网络预测地热产能方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561174A true CN112561174A (zh) | 2021-03-26 |
CN112561174B CN112561174B (zh) | 2023-05-02 |
Family
ID=75030449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011505944.6A Active CN112561174B (zh) | 2020-12-18 | 2020-12-18 | 基于lstm和mlp的叠加神经网络预测地热产能方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561174B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN108234195A (zh) * | 2017-12-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 预测网络性能的方法和装置、设备、介质、程序 |
CN108764540A (zh) * | 2018-05-16 | 2018-11-06 | 杭州电子科技大学 | 基于并行lstm串联dnn的供水管网压力预测方法 |
CN108900346A (zh) * | 2018-07-06 | 2018-11-27 | 西安电子科技大学 | 基于lstm网络的无线网络流量预测方法 |
CN109272139A (zh) * | 2018-07-24 | 2019-01-25 | 东华大学 | 一种基于非线性集成深度学习的短期风速预测方法 |
CN109299401A (zh) * | 2018-07-12 | 2019-02-01 | 中国海洋大学 | 基于深度学习模型LSTM-ResNet的城域时空流预测技术 |
CN109657839A (zh) * | 2018-11-22 | 2019-04-19 | 天津大学 | 一种基于深度卷积神经网络的风电功率预测方法 |
CN109670622A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110517488A (zh) * | 2019-08-19 | 2019-11-29 | 南京理工大学 | 基于时序分解和循环神经网络的短时交通流预测方法 |
US20200311527A1 (en) * | 2019-03-27 | 2020-10-01 | Sanofi | Residual semi-recurrent neural networks |
CN112084415A (zh) * | 2020-09-17 | 2020-12-15 | 辽宁工程技术大学 | 一种基于用户和项目长短期时间耦合关系分析的推荐方法 |
-
2020
- 2020-12-18 CN CN202011505944.6A patent/CN112561174B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN109670622A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN108234195A (zh) * | 2017-12-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 预测网络性能的方法和装置、设备、介质、程序 |
CN108764540A (zh) * | 2018-05-16 | 2018-11-06 | 杭州电子科技大学 | 基于并行lstm串联dnn的供水管网压力预测方法 |
CN108900346A (zh) * | 2018-07-06 | 2018-11-27 | 西安电子科技大学 | 基于lstm网络的无线网络流量预测方法 |
CN109299401A (zh) * | 2018-07-12 | 2019-02-01 | 中国海洋大学 | 基于深度学习模型LSTM-ResNet的城域时空流预测技术 |
CN109272139A (zh) * | 2018-07-24 | 2019-01-25 | 东华大学 | 一种基于非线性集成深度学习的短期风速预测方法 |
CN109657839A (zh) * | 2018-11-22 | 2019-04-19 | 天津大学 | 一种基于深度卷积神经网络的风电功率预测方法 |
US20200311527A1 (en) * | 2019-03-27 | 2020-10-01 | Sanofi | Residual semi-recurrent neural networks |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110517488A (zh) * | 2019-08-19 | 2019-11-29 | 南京理工大学 | 基于时序分解和循环神经网络的短时交通流预测方法 |
CN112084415A (zh) * | 2020-09-17 | 2020-12-15 | 辽宁工程技术大学 | 一种基于用户和项目长短期时间耦合关系分析的推荐方法 |
Non-Patent Citations (3)
Title |
---|
YU SHI等: "Productivity Prediction of Geothermal System Using a LSTM Neural Network", 《GEOTHERMAL RESOURCES COUNCIL TRANSACTIONS》 * |
刘巍等: "基于机器学习方法的油井日产油量预测", 《石油钻采工艺》 * |
欧阳红兵等: "基于LSTM神经网络的金融时间序列预测", 《中国管理科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112561174B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN112989635B (zh) | 基于自编码器多样性生成机制的集成学习软测量建模方法 | |
CN110470259A (zh) | 基于lstm的滑坡位移动态预测方法 | |
CN111488946A (zh) | 基于信息融合的雷达伺服系统故障诊断方法 | |
CN110083125A (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
Yuan et al. | Spatiotemporal attention mechanism-based deep network for critical parameters prediction in chemical process | |
He et al. | A faster dynamic feature extractor and its application to industrial quality prediction | |
CN116894180B (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 | |
CN110782083A (zh) | 基于深度Croston方法的航空发动机备用需求预测方法 | |
Zuo et al. | Domain selection of transfer learning in fuzzy prediction models | |
CN117238401A (zh) | 一种基于图注意力网络的芳香硝基化合物毒性预测方法 | |
CN112561174A (zh) | 基于lstm和mlp的叠加神经网络预测地热产能方法 | |
Meng et al. | The complex network model for industrial data based on Spearman correlation coefficient | |
CN115658971A (zh) | 基于注意力机制的多层异质网络节点重要度评估方法 | |
Wang et al. | Novel ensemble modeling method for enhancing subset diversity using clustering indicator vector based on stacked autoencoder | |
CN117034780B (zh) | 一种基于深度学习的多尺度次季节降水量预测方法 | |
Feng et al. | The Application of SOFM Fuzzy Neural Network in Project Cost Estimate. | |
Lu et al. | Hybrid Filter-wrapper Feature Selection Using Water Wave Optimization for Financial Crisis Prediction in Enterprises | |
Zhang et al. | Wind Speed Prediction with LSTM and BPNN Method | |
Zhang et al. | Adaptive Clustering Algorithm of Complex Network Based on Fuzzy Neural Networks | |
Hsieh | Employing data mining technique to achieve the parameter optimization based on manufacturing intelligence | |
CN116992237A (zh) | 基于因子分解的无监督异常检测模型选择方法 | |
CN118018304A (zh) | 基于知识图谱和残差图卷积网络的内部威胁检测方法 | |
Xu et al. | Electricity Consumption Prediction based on Granger-Transformer Model |
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 |