针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型...针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。展开更多
合理预测猪肉价格对稳定生猪市场价格波动及促进猪产业的健康持续发展具有重要意义。本文深入研究了猪肉价格的影响因素,整合了29种相关价格数据。通过分析数据特征,针对Informer模型在猪肉价格数据提取方面的局限性,对Informer模型进...合理预测猪肉价格对稳定生猪市场价格波动及促进猪产业的健康持续发展具有重要意义。本文深入研究了猪肉价格的影响因素,整合了29种相关价格数据。通过分析数据特征,针对Informer模型在猪肉价格数据提取方面的局限性,对Informer模型进行改进,将自注意力机制ProbAttention更换为Synthesizer模型,引入了价格波动模块。在此基础上,本文提出了一种新的价格预测组合模型STL-Informer-ARIMA,模型结合了随机森林(Random Forest)和递归特征消除(Recursive Feature Elimination)进行特征选择,利用季节性和趋势分解法(Seasonal and Trend Decomposition Using Loess)对猪肉(白条猪)价格进行分解,采用ARIMA模型对季节项进行预测,同时针对趋势项和残差项采用改进的Informer模型进行预测。实验表明,STL-Informer-ARIMA组合模型的MSE为0.532,MAE为0.446,RMSE为0.729,MAPE为0.030,R^(2)为0.958,相较于LSTM、SVR和GRU等常用价格预测模型,本文的组合模型有效提升了猪肉价格预测的准确性和可靠性。展开更多
文摘针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。
文摘合理预测猪肉价格对稳定生猪市场价格波动及促进猪产业的健康持续发展具有重要意义。本文深入研究了猪肉价格的影响因素,整合了29种相关价格数据。通过分析数据特征,针对Informer模型在猪肉价格数据提取方面的局限性,对Informer模型进行改进,将自注意力机制ProbAttention更换为Synthesizer模型,引入了价格波动模块。在此基础上,本文提出了一种新的价格预测组合模型STL-Informer-ARIMA,模型结合了随机森林(Random Forest)和递归特征消除(Recursive Feature Elimination)进行特征选择,利用季节性和趋势分解法(Seasonal and Trend Decomposition Using Loess)对猪肉(白条猪)价格进行分解,采用ARIMA模型对季节项进行预测,同时针对趋势项和残差项采用改进的Informer模型进行预测。实验表明,STL-Informer-ARIMA组合模型的MSE为0.532,MAE为0.446,RMSE为0.729,MAPE为0.030,R^(2)为0.958,相较于LSTM、SVR和GRU等常用价格预测模型,本文的组合模型有效提升了猪肉价格预测的准确性和可靠性。
