-
公开(公告)号：CN116562441A
公开(公告)日：2023-08-08
申请号：CN202310520943.6
申请日：2023-05-10
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q50/26 , G06F18/2113 , G06F18/2115 , G06F18/213 , G06F18/214 , G06F18/27 , G06F18/21
Abstract: 一种基于补充泄漏积分回声状态网络的空气质量预测方法，属于时间序列预测领域。首先，收集空气质量序列，采用最小冗余最大相关性方法对空气质量序列进行特征选择，确定输入特征的排序结果，选择出最优的输入特征子集；其次，对最优的输入特征子集进行相空间重构，形成新的特征输入集；再次，将特征输入集分成训练集和测试集，在训练集上使用岭回归算法训练补充漏积分器回声状态网络模型，训练完毕得到最佳预测模型，在测试集上进行PM2.5时间序列进行预测输出；最后，利用评价指标度量模型的预测精度。本发明不仅增强了储备池对多元时间序列的特征提取和记忆能力，而且改善了历史演化状态对当前状态的影响。在实际应用中，准确的序列预测有助于监测空气质量，对大气污染防治做出合理、科学的决策。
-
公开(公告)号：CN111242379A
公开(公告)日：2020-06-05
申请号：CN202010050232.3
申请日：2020-01-17
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q50/26 , G06F16/2458
Abstract: 本发明公开了一种基于随机傅里叶特征的核递归最大相关熵时间序列在线预测方法，属于时间序列在线预测领域。包括以下步骤：首先，收集时间序列历史数据并进行预处理，构建训练数据其次，进行模型各个参数的初始化；根据选定的各项参数并利用构建好的训练数据，迭代地进行模型训练；最后，利用训练好的模型对新输入模型的数据进行预测，对模型进行验证。本发明在保持算法鲁棒性的同时限制了网络尺度的增长，能够高效且准确地进行时间序列预测。
-
公开(公告)号：CN111242270A
公开(公告)日：2020-06-05
申请号：CN202010029463.6
申请日：2020-01-13
Applicant: 大连理工大学
Abstract: 一种基于改进的多目标差分优化回声状态网络的时间序列预测模型。首先，随机初始化种群，依次对种群中的个体进行适应度评价。其次，设置种群最大的迭代次数进行迭代。再次，采用差分进化为种群中的每个个体生成变异个体和试验个体，将试验个体组成试验种群，将当代种群和试验种群组成混合种群；利用参考向量将混合种群分解成K个子种群，并进行子种群更新。所有更新完的子种群即为下一代新的种群，返回上一步。最后，当迭代次数达到最大得到一个最终种群，从中选出一个个体作为最优输出个体。本发明利用改进的多目标差分进化算法优化储备池参数，提高模型的寻优性能，提出的模型可以提高时间序列的预测精度，且具有良好的泛化能力及实际应用价值。
-
Patent Agency Ranking
公开(公告)号：CN116822704A
公开(公告)日：2023-09-29
申请号：CN202310526152.4
申请日：2023-05-10
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q50/26 , G06N3/0442 , G06N3/0455 , G06N3/045 , G06N3/084 , G06N3/08
Abstract: 一种基于LSTM‑Autoencoder模型的空气质量预测方法，针对现有的数据驱动方法往往忽略城市多个站点之间的动态关系，且无法在统一的预测框架中同时对PM2.5时间序列和气象数据进行建模，导致预测精度不理想。为此，提出LSTM‑Autoencoder多任务学习模型来预测城市范围内的PM2.5时间序列。首先，采用多层LSTM网络对污染物浓度时空序列进行特征学习得到特征向量，模拟出城市空气污染颗粒的时空特征。其次，采用堆叠式自编码器对气象时间序列编码，建立气象信息的特征向量，利用各监测站的气象信息，为PM2.5时间序列预测提供重要辅助信息。最后，对特征向量统一表示，利用多任务学习自动发现多个关键污染物时间序列之间的动态关系，解决传统数据驱动方法建模过程中多站点信息利用不足的问题。仿真结果表明该方法的有效性。
-
公开(公告)号：CN111369072A
公开(公告)日：2020-07-03
申请号：CN202010195943.X
申请日：2020-03-19
Applicant: 大连理工大学
Abstract: 一种基于稀疏化方法的核最小均方时间序列在线预测模型，属于时间序列预测技术领域。本发明选择核自适应滤波器中经典的核最小均方算法作为基础算法，针对实际数据中存在异常值和自然噪声等问题，将稀疏化方法和自适应调整方法运用其中，提高算法模型的预测能力和抗噪能力。首先，运用归一化方法对数据进行预处理；然后，运用顺序异常值准则来剔除数据中的异常值；最后，将量化方法与权重自适应调整方法相结合，来减小预测模型字典的大小并提高模型的跟踪时变特性能力。本发明能够充分利用有效信息，排除异常信息的干扰，获得更加准确、紧凑的字典；通过控制参数的选择可以在算法效率和准确性之间达到良好的平衡；还可以在时变环境中自适应地调整权重。
-
公开(公告)号：CN111367959A
公开(公告)日：2020-07-03
申请号：CN202010097578.9
申请日：2020-02-17
Applicant: 大连理工大学
IPC: G06F16/2458 , G06F17/18
Abstract: 一种零时滞非线性扩展Granger因果分析方法，属于数据挖掘技术领域。传统的Granger因果模型基于滞后项的VAR模型，但忽略零时滞会极大地改变滞后项的模型系数，从而导致错误的因果识别。其次，传统的Granger因果模型只能应用于线性系统的因果识别，对于非线性系统可能产生错误的因果识别。基于上述分析，本发明首先对传统的VAR模型进行扩展，设定变量的滞后阶数，采用高斯核函数将原始数据进行非线性映射，然后建立包含零滞后项的结构VAR模型，最后并根据结构VAR模型的残差进行Granger因果关系识别，实现如污染及气象等非线性系统的零时滞因果关系分析。本发明能够克服传统Granger因果模型的不足，实现对非线性系统的扩展Granger因果关系分析。
-
公开(公告)号：CN111222706A
公开(公告)日：2020-06-02
申请号：CN202010029477.8
申请日：2020-01-13
Applicant: 大连理工大学
Abstract: 本发明公开一种基于粒子群优化与自编码器的混沌时间序列预测方法，属于复杂系统的混沌时间序列建模分析领域。该预测方法针对传统的简单模型在混沌时间序列预测时存在的不足，结合堆栈自编码网络可以进行多次无监督特征提取和智能优化算法不要求严格数学条件的特点，改进了传统模型直接预测采集到的数据的方式。本发明首先应用混沌和相空间重构理论，将原始数据映射到高维空间，揭示出混动系统中蕴藏的演化信息，然后利用堆栈自编码网络进行特征提取，最后进行预测。并应用粒子群优化算法优化预测模型的输出权值，使得模型具有更好的泛化性能，最终有效提高混沌时间序列模型的预测精度。
-
公开(公告)号：CN111367959B
公开(公告)日：2021-02-26
申请号：CN202010097578.9
申请日：2020-02-17
Applicant: 大连理工大学
IPC: G06F16/2458 , G06F17/18
Abstract: 一种零时滞非线性扩展Granger因果分析方法，属于数据挖掘技术领域。传统的Granger因果模型基于滞后项的VAR模型，但忽略零时滞会极大地改变滞后项的模型系数，从而导致错误的因果识别。其次，传统的Granger因果模型只能应用于线性系统的因果识别，对于非线性系统可能产生错误的因果识别。基于上述分析，本发明首先对传统的VAR模型进行扩展，设定变量的滞后阶数，采用高斯核函数将原始数据进行非线性映射，然后建立包含零滞后项的结构VAR模型，最后并根据结构VAR模型的残差进行Granger因果关系识别，实现如污染及气象等非线性系统的零时滞因果关系分析。本发明能够克服传统Granger因果模型的不足，实现对非线性系统的扩展Granger因果关系分析。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
