CN115344927A - 基于工程历史数据的高拱坝施工仿真参数动态更新方法 - Google Patents

基于工程历史数据的高拱坝施工仿真参数动态更新方法 Download PDF

Info

Publication number
CN115344927A
CN115344927A CN202210985063.1A CN202210985063A CN115344927A CN 115344927 A CN115344927 A CN 115344927A CN 202210985063 A CN202210985063 A CN 202210985063A CN 115344927 A CN115344927 A CN 115344927A
Authority
CN
China
Prior art keywords
construction
parameters
longicorn
optimal
constructing
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
Application number
CN202210985063.1A
Other languages
English (en)
Inventor
杨宁
任炳昱
杨宗立
佟大威
乔雨
关涛
谭鹏
林星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
China Three Gorges Construction Engineering Co Ltd
Original Assignee
Tianjin University
China Three Gorges Construction Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University, China Three Gorges Construction Engineering Co Ltd filed Critical Tianjin University
Priority to CN202210985063.1A priority Critical patent/CN115344927A/zh
Publication of CN115344927A publication Critical patent/CN115344927A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Architecture (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Civil Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于工程历史数据的高拱坝施工仿真参数动态更新方法，步骤1、对施工参数历史数据进行预处理：进行经验模态分解，将施工参数时间序列分解为施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，得到训练集和测试集；步骤2、进行LSTM预测模型的构建与优化：对各施工参数子序列分别构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各LSTM预测模型的进行寻优，将最优参数作为各子LSTM预测模型的超参数，训练后获得各最优子LSTM预测模型。本发明能够反映施工参数局部非线性和波动性变化及有效挖掘施工参数序列潜在信息。

Description

基于工程历史数据的高拱坝施工仿真参数动态更新方法
技术领域
本发明涉及高拱坝施工进度仿真领域，特别涉及一种基于工程实际历史数据的高拱坝施工仿真参数动态更新方法。
背景技术
高拱坝施工常面临水文气候条件复杂、作业空间狭小和施工约束等问题，为高拱坝施工进度的有效控制带来了极大的挑战。施工仿真技术为高拱坝施工过程分析及施工进度管控提供了有效的途径。随着工程的推进，高拱坝施工作业空间、施工约束等不断发生变化，这导致施工仿真参数发生动态变化。如何有效地动态更新施工仿真参数是确保建设期施工进度仿真准确性的关键。然而传统仿真方法需要根据经验选取仿真参数，忽略了参数随施工过程的变化。少数采用贝叶斯更新的研究需要假定参数分布形式且难以反映短期内施工参数的波动性和非线性变化，因而并不适用于具有分布形式难以固定、参数序列非线性和噪声强特点的施工参数预测问题。
发明内容
针对上述现有技术的缺陷，本发明提出了一种基于工程历史数据的高拱坝施工仿真参数动态更新方法，实现了高拱坝施工仿真参数EMD-P-ILSTM动态更新模型，采用先分解、再预测后融合的建模思路实现对建设期施工仿真参数的高精度预测与更新，进而实现对仿真模型的动态修正。
本发明利用以下技术方案实现：
步骤1、对获取的施工参数历史数据进行预处理，具体包括：进行经验模态分解，将施工参数时间序列分解为一系列的施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，对数据集进行划分得到训练集和测试集；
步骤2、进行LSTM预测模型的构建与优化，具体包括：对各施工参数子序列分别构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各LSTM预测模型的超参数进行寻优，得到最优参数，将最优参数作为各子LSTM预测模型的超参数，经训练后获得各最优子LSTM预测模型。
与已有技术相比，本发明能够反映施工参数局部非线性和波动性变化以及有效挖掘施工参数序列潜在信息。
附图说明
图1为本发明的基于工程历史数据的高拱坝施工仿真参数动态更新方法整体流程图。
图2为步骤1中的经验模态分解的实现流程图。
图3为为步骤1中的利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小的实现流程图。
图4为天牛须算法的自适应步长实现流程图
图5为步骤2的采用自适应步长因子改进的天牛须算法对各LSTM预测模型的LSTM单元数N1、N2、批量大小B和学习率Lr超参数进行寻优的实现流程图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述。
本发明的基于工程历史数据的高拱坝施工仿真参数动态更新方法，首先，对数据进行预处理并利用经验模态分解法(EMD)与偏自相关函数方法构建各子序列预测的数据集；其次，利用数据集进行划分得到的训练集和测试集构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各模型的LSTM单元数N1、N2、批大小B和学习率Lr超参数进行寻优；最后，将最优参数作为各子模型的超参数对训练集进行训练，获得各最优子预测模型。
如图1所示，为本发明的基于工程历史数据的高拱坝施工仿真参数动态更新方法整体流程图。该流程具体包括以下步骤：
步骤1、对获取的施工参数历史数据进行预处理，具体包括：利用经验模态分解法(EMD)将具有强烈非线性、波动性的施工参数时间序列分解为一系列依照时间顺序的平稳的施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，对数据集进行划分得到训练集和测试集；
步骤2、进行LSTM预测模型的构建与优化，具体包括：对各施工参数子序列分别构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各LSTM预测模型的LSTM单元数N1、N2、批量大小B和学习率Lr超参数进行寻优，在每次迭代过程利用训练集训练由天牛个体的参数组成的LSTM预测模型(利用每个天牛个体中的LSTM单元数N1、N2、批量大小B和学习率Lr超参数等参数，对训练集进行计算，得到输出值)，将输出值与实际值的平均误差作为改进天牛须算法的适应度函数，以达到设定的迭代次数作为寻优结束的依据，得到最优参数；将最优参数作为各子LSTM预测模型的超参数，对训练集进行训练，获得各最优子LSTM预测模型。
以下为本发明整体流程中的相关算法的具体描述：
一、经验模态分解法(EMD)
经验模态分解法(EMD)的基本原理是对信号所有的极值点进行插值得到上、下包络和均值包络。将原信号减去均值包络得到新信号，若新信号仍存在局部极值点，则可以进一步分解，直到原信号被分解成若干本征模态分量和残差信号。
本发明利用经验模态分解法(EMD)对施工参数时间序列进行分解，得到多个本征模态分量(IMFS)；对每一个IMFS分量进行预测，再与各IMFS分量预测值叠加后的结果作为最终的预测结果。
将原始信号X(t)分解为若干且有限个不同特征尺度的本征模态函数IMFi和一个残差序列Res，表达式如下所示：
Figure BDA0003801775690000041
其中，i表示本征模态函数的编号，n表示本征模态函数总个数；
所述本征模态函数IMFi需满足以下条件：
1)在整个数据集上，极值点个数和过零点个数需相等或最多只相差1；
2)在任意点处，由局部极小值点定义的下包络线和局部极大值点定义的上包络线的均值为0。
如图1所示，为经验模态分解的实现流程图。具体步骤如下：
步骤1-1、获得原始信号X(t)所有的局部极小值点和局部极大值点；
步骤1-2、根据X(t)的局部极值点，采用三次样条插值法构建上包络线max(t)和下包络线min(t)；
步骤1-3、计算上包络线和下包络线的均值m(t)＝(max(t)+min(t))/2；
步骤1-4、计算原始信号X(t)与均值m(t)之间的差值h1(t)＝X(t)-m(t)；
步骤1-5、判断分解出的子信号r1(t)是否满足两个基本条件，即①在整个数据集上，极值点个数和过零点个数需相等或最多只相差1；②在任意点处，由局部极小值点定义的下包络线和局部极大值点定义的上包络线的均值为0；,若满足，则h1(t)为X(t)的第一个IMF分量IMF1，令X(t)＝R1(t)＝X(t)-h1(t)，重复步骤1-1至步骤1-4；若不满足，则令X(t)＝h1(t)，重复步骤1-1至步骤1-4，直至满足以下停止准则之一：
停止准则一、残余序列为单调函数，
停止准则二、标准差SD位于界限值0.2～0.3之间。
标准差SD的表达式如下所示：
Figure BDA0003801775690000042
其中，T为时间序列的长度。
二、自相关函数算法(PACF)
偏自相关函数(PACF)用于自动提取经过EMD分解后各个IMFS量的时间窗口大小，有效计算时序序列数据之间的相关性，避免了人工选择的主观性，提高预测精度。在本发明中对各子序列预测的时间窗口大小进行计算，以减少针对每个子序列的时间窗口进行人工调试的工作量。
时间序列单步预测是根据当前预测时刻的参数值xt及前k-1个时刻参数值xt-(k-1),xt-(k-2)…xt-1预测下一预测时刻的参数值xt+1。其中，k为时间窗口大小，{xt-(n-1),xt-(n-2)…xt}为时间窗口。
假设当前预测时刻t的参数值为xt，xt+1为下一时刻的参数预测值。若与下一预测时刻相比滞后k个时刻的偏自相函数值超出了95％的置信区间
Figure BDA0003801775690000051
(N为施工参数序列的长度)，则取{xt-k+1,xt-k+2,…,xt}为输入变量；若所有滞后时刻的偏自相关函数都位于95％置信区间内，则取当前时刻参数值xt为输入变量。
如图3所示，为步骤1中的利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小的流程图。具体步骤如下：：
步骤1-6、对于分解后的施工参数时序序列X＝{x1,x2,…,xN}，得到时间滞后k处的协方差
Figure BDA0003801775690000052
表达式如下所示：
Figure BDA0003801775690000053
其中，
Figure BDA0003801775690000054
为施工参数时序数据的平均值，k＝0,1,...,M，
Figure BDA0003801775690000055
且M∈N+为最大的时间滞后；
得到时间滞后k处的自相关函数(AutocorrelationFunction，ACF)
Figure BDA0003801775690000056
表达式如下所示：
Figure BDA0003801775690000057
其中，
Figure BDA0003801775690000058
为施工参数时序数据的方差。
步骤1-7、基于协方差和自相关函数
Figure BDA0003801775690000061
得到时间滞后k处的偏自相关函数值
Figure BDA0003801775690000062
表达式如下所示：
Figure BDA0003801775690000063
其中，j＝1,2,…,k，k＝1,2,…,M。
三、长短期记忆网络(LSTM)
长短期记忆网络(LSTM)用于解决了循环神经网络(RNN)的梯度爆炸或梯度消失的问题。相比于其他浅层机器学习算法如SVM等，LSTM学习长期依赖信息，因此更加适合对时间序列进行预测。为获得最优子预测模型，本发明中的LSTM预测模型采用自适应步长因子改进的天牛须算法对各模型的LSTM单元数N1，N2、批大小B和学习率Lr超参数进行寻优。
四、天牛须算法(BAS)
天牛须算法(BAS)实现高效寻优。算法复杂度和计算量相较于一般的多参数群智能算法如粒子群算法、鸟群算法等有所减少，更易于实现，适用于工程应用。但天牛须算法的全局搜索能力和收敛速度受步长影响较大，为此引入自适应步长因子对BAS算法中固定步长进行改进。
如图4所示，为天牛须算法的自适应步长实现流程图。具体步骤如下：
步骤4-1、建立天牛左右两个触角朝向的随机变量，并作归一化处理；
步骤4-2、计算天牛左右触角的空间坐标；
步骤4-3、根据设定的适应度函数来确定左右触角气味的强度；
步骤4-4、通过对步骤2-3中左右触角气味强度的比较，确定下一次迭代更新后天牛的位置；
步骤4-5、判断是否满足终止条件，如果满足，则终止迭代；若没有，则继续进行下一次迭代循环。
引入自适应步长因子来动态改变步长，以提高算法的搜索能力。其主要思想是在搜索前期扩大搜索范围。若当前迭代次数适应度低于历史最低适应度，增大步长以跳出当前区域，以加快寻优过程。在寻优后期搜索趋于稳定后，减小步长因子，以获得更高精度，步长因子表达式如下所示：
Figure BDA0003801775690000071
其中，fi为第i次迭代适应度值，fmin为历史最优适应度值，n为总迭代次数，α为初始步长因子，β为当前步长因子；
得到更新后步长，表达式如下所示：
stepupsate＝step*β …(6)
其中，step为初始步长，β为当前步长因子。
如图5所示，为采用自适应步长因子改进的天牛须算法对各LSTM预测模型的LSTM单元数N1、N2、批量大小B和学习率Lr超参数进行寻优的实现流程图。具体步骤如下：
步骤2-1、设置超参数取值范围和迭代终止条件；
步骤2-2、利用随机函数确定天牛个体初始位置X，进行天牛参数初始化；
步骤2-3、计算天牛个体左、右须坐标Xleft和Yright；
步骤2-4、根据左、右须坐标值构建长短期记忆网络模型，对预测问题训练集进行训练，根据目标函数计算天牛个体左、右须适应度值Yleft和Xright；
步骤2-5、根据左、右须适应度值计算天牛下一位置X及其对应的适应度Y；
步骤2-6、比较最优适应度值Ybest与适应度Y的大小；
步骤2-7、若Y大于最优适应度值Ybest，则更新最优个体Xbest＝X和最优适应度值Ybest＝Y；
步骤2-8、若Y小于最劣适应度值Yworst，则更新最劣适应度值Yworst＝Y；
步骤2-9、对天牛须算法步长进行更新；
步骤2-10、重复步骤2-2至步骤2-9，直到满足设定的迭代次数，认为算法已生成最优解，更新最优解Xbest；
步骤2-11、利用最优解Xbest所对应的超参数构建长短期记忆网络模型。
以上所述仅为为展示本发明技术思想和特点的较为优选的实施方式，目的在于能够使本领域内的技术人员理解发明内容并据此实施，并不用以限制本发明，即在本发明精神和原则之内所做的修饰、替代、同等变化等，均应在本发明保护范围之内。

Claims (5)

1.一种基于工程历史数据的高拱坝施工仿真参数动态更新方法，其特征在于，该方法包括以下步骤：
步骤1、对获取的施工参数历史数据进行预处理，具体包括：进行经验模态分解，将施工参数时间序列分解为一系列的施工参数子序列，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小，根据预测时间窗口大小构建各施工参数子序列的数据集，对数据集进行划分得到训练集和测试集；
步骤2、进行LSTM预测模型的构建与优化，具体包括：对各施工参数子序列分别构建LSTM预测模型，采用自适应步长因子改进的天牛须算法对各LSTM预测模型的超参数进行寻优，得到最优参数，将最优参数作为各子LSTM预测模型的超参数，经训练后获得各最优子LSTM预测模型。
2.如权利要求1所述的基于工程历史数据的高拱坝施工仿真参数动态更新方法，其特征在于，所述经验模态分解具体包括以下处理：
步骤1-1、获得原始信号X(t)所有的局部极小值点和局部极大值点；
步骤1-2、根据原始信号X(t)的局部极值点，构建上包络线max(t)和下包络线min(t)；
步骤1-3、计算上包络线和下包络线的均值m(t)＝(max(t)+min(t))/2；
步骤1-4、计算原始信号X(t)与均值m(t)之间的差值h1(t)＝X(t)-m(t)；
步骤1-5、判断分解出的子信号r1(t)是否满足两个条件，即①在整个数据集上，极值点个数和过零点个数需相等或最多只相差1；②在任意点处，由局部极小值点定义的下包络线和局部极大值点定义的上包络线的均值为0；若满足，则h1(t)为X(t)的第一个IMF分量IMF1，令X(t)＝R1(t)＝X(t)-h1(t)，重复步骤1-1至步骤1-4；若不满足，则令X(t)＝h1(t)，重复步骤1-1至步骤1-4，直至满足以下两个停止准则其中之一：
停止准则一、残余序列为单调函数，
停止准则二、标准差SD位于界限值0.2～0.3之间。
3.如权利要求1所述的基于工程历史数据的高拱坝施工仿真参数动态更新方法，其特征在于，利用偏自相关函数方法计算各施工参数子序列的预测时间窗口大小的流程具体包括以下步骤：
步骤1-6、对于分解后的施工参数时序序列X＝{x1，x2，…，xN}，得到时间滞后k处的协方差
Figure FDA0003801775680000021
表达式如下所示：
Figure FDA0003801775680000022
其中，
Figure FDA0003801775680000023
为施工参数时序数据的平均值，k＝0，1，...，M，
Figure FDA0003801775680000024
且M∈N+为最大的时间滞后；
以及，得到时间滞后k处的自相关函数
Figure FDA0003801775680000025
表达式如下所示：
Figure FDA0003801775680000026
其中，
Figure FDA0003801775680000027
为施工参数时序数据方差；
步骤1-7、基于协方差和自相关函数
Figure FDA0003801775680000028
得到时间滞后k处的偏自相关函数值
Figure FDA0003801775680000029
表达式如下所示：
Figure FDA00038017756800000210
其中，j＝1，2，...，k，k＝1，2，...，M。
4.如权利要求l所述的基于工程历史数据的高拱坝施工仿真参数动态更新方法，其特征在于，天牛须算法的自适应步长实现流程具体包括以下步骤：
步骤41、建立天牛左右两个触角朝向的随机变量，作归一化处理；
步骤42、计算天牛左右触角的空间坐标；
步骤43、根据设定的适应度函数来确定左右触角气味的强度；
步骤44、通过对步骤43中左右触角气味强度的比较，确定下一次迭代更新后天牛的位置；
步骤45、判断是否满足终止条件；
如果满足，则执行步骤46，终止迭代；若否，则执行步骤47，继续进行下一次迭代循环。
5.如权利要求1所述的基于工程历史数据的高拱坝施工仿真参数动态更新方法，其特征在于，采用自适应步长因子改进的天牛须算法对各LSTM预测模型进行寻优的过程具体步骤如下：
步骤2-1、设置超参数取值范围和迭代终止条件；
步骤2-2、利用随机函数确定天牛个体初始位置X，进行天牛参数初始化；
步骤2-3、计算天牛个体左、右须坐标Xleft和Yright；
步骤2-4、根据左、右须坐标值构建长短期记忆网络模型，对预测问题训练集进行训练，根据目标函数计算天牛个体左、右须适应度值Yleft和Xright；
步骤2-5、根据左、右须适应度值计算天牛下一位置X及其对应的适应度Y；
步骤2-6、比较最优适应度值Ybest与适应度Y的大小；
步骤2-7、若Y大于最优适应度值Ybest，则更新最优个体Xbest＝X和最优适应度值Ybest＝Y；
步骤2-8、若Y小于最劣适应度值Yworst，则更新最劣适应度值Yworst＝Y；
步骤2-9、对天牛须算法步长进行更新；
步骤2-10、重复步骤2-2至步骤2-9，直到满足设定的迭代次数，认为算法已生成最优解，更新最优解Xbest；
步骤2-11、利用最优解Xbest所对应的超参数构建长短期记忆网络模型。
CN202210985063.1A 2022-08-17 2022-08-17 基于工程历史数据的高拱坝施工仿真参数动态更新方法 Pending CN115344927A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210985063.1A CN115344927A (zh) 2022-08-17 2022-08-17 基于工程历史数据的高拱坝施工仿真参数动态更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210985063.1A CN115344927A (zh) 2022-08-17 2022-08-17 基于工程历史数据的高拱坝施工仿真参数动态更新方法

Publications (1)

Publication Number Publication Date
CN115344927A true CN115344927A (zh) 2022-11-15

Family

ID=83952553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210985063.1A Pending CN115344927A (zh) 2022-08-17 2022-08-17 基于工程历史数据的高拱坝施工仿真参数动态更新方法

Country Status (1)

Country Link
CN (1) CN115344927A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110234A (zh) * 2023-04-11 2023-05-12 城云科技（中国）有限公司 基于人工智能的车流量预测方法、装置及其应用
CN118070977A (zh) * 2024-04-17 2024-05-24 山东大学 考虑空间波动传播的新能源缺失数据估算方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110234A (zh) * 2023-04-11 2023-05-12 城云科技（中国）有限公司 基于人工智能的车流量预测方法、装置及其应用
CN118070977A (zh) * 2024-04-17 2024-05-24 山东大学 考虑空间波动传播的新能源缺失数据估算方法及系统
CN118070977B (zh) * 2024-04-17 2024-07-23 山东大学 考虑空间波动传播的新能源缺失数据估算方法及系统

Similar Documents

Publication Publication Date Title
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN109685252B (zh) 基于循环神经网络和多任务学习模型的建筑能耗预测方法
CN115344927A (zh) 基于工程历史数据的高拱坝施工仿真参数动态更新方法
CN110543929B (zh) 一种基于Lorenz系统的风速区间预测方法及系统
CN110245801A (zh) 一种基于组合挖掘模型的电力负荷预测方法及系统
CN111382906B (zh) 一种电力负荷预测方法、系统、设备和计算机可读存储介质
CN110059867B (zh) 一种swlstm结合gpr的风速预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN109615124B (zh) 一种基于深度学习的scada主站负荷预测方法
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN113011669B (zh) 一种生猪月度存栏量预测方法
CN112215412B (zh) 溶解氧预测方法及装置
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
US20240330774A1 (en) Method of searching for an optimal combination of hyperparameters for a machine learning model
Wang et al. Inference-based posteriori parameter distribution optimization
CN117851781A (zh) 一种家电需求预测方法、装置、计算机设备和储存介质
CN117521501A (zh) 基于nsga的lstm预测性能源发电方法及系统
CN111754033A (zh) 一种基于循环神经网络的非平稳时序数据预测方法
CN116821643A (zh) 基于在线增量学习的hpc作业功耗预测方法及系统
CN116663745A (zh) 一种基于pca_ dwt的lstm流域水流量预测方法
Ma et al. Predicting Stock Prices Using Hybrid LSTM and ARIMA Model.
CN115759455A (zh) 一种基于时序高斯混合密度网络的负荷概率密度预测方法
CN114897245A (zh) 一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法
CN115453880A (zh) 基于对抗神经网络的用于状态预测的生成模型的训练方法

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