针对综采工作面周期来压预测的技术难题,研究了理论分析、数据采集与预处理、模型评估与优化等方法,提出了具有时空关联分析与POI(Point of Intersesting)数据的ConvLSTM模型,利用多源数据融合得到周期来压预测的最优解,实现工作面环境...针对综采工作面周期来压预测的技术难题,研究了理论分析、数据采集与预处理、模型评估与优化等方法,提出了具有时空关联分析与POI(Point of Intersesting)数据的ConvLSTM模型,利用多源数据融合得到周期来压预测的最优解,实现工作面环境状态的实时感知和预测。试验结果表明:基于POI-ConvLSTM的工作面周期来压预测模型,均方误差为0.159,R 2评价指标为0.999,相比于Seq2Seq和ConvLSTM模型的均方误差分别降低了68.07%和4.22%。可见,融合了多元数据POI-ConvLSTM模型的预测精度更高,普适性更强,能够准确地提前预测周期来压问题。展开更多
针对传统单车需求预测研究在处理不同地区无桩共享单车需求预测中存在的特征提取不精细和地区需求预测匹配度不精准等问题,在对南京地区两个自然年度、三类典型地区共享单车的使用需求数量、天气状态、季节周期等多类数据进行采集和特...针对传统单车需求预测研究在处理不同地区无桩共享单车需求预测中存在的特征提取不精细和地区需求预测匹配度不精准等问题,在对南京地区两个自然年度、三类典型地区共享单车的使用需求数量、天气状态、季节周期等多类数据进行采集和特征工程的基础上,提出了一种兼顾时空序列的基于ConvLSTM(Convolutional Long Short Term Memory)深度学习预测模型,该模型通过卷积操作后能够提取数据中隐含的更多空间信息,将其应用于测试集中并与经典时序LSTM(长短期记忆网络)和CNN(卷积神经网络)进行对比发现,RMSE分别提升0.05和0.04,最大误差分别提升约0.86和0.3。展开更多
针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consump...针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。展开更多
宽带雷达对空间进动锥体目标进行持续探测能够形成高分辨距离像(high resolution range profile,HRRP)序列。HRRP序列携带空间进动锥体目标的空间几何信息和运动规律等信息,是进行目标关联跟踪和分类识别的重要依据,因此研究空间进动锥...宽带雷达对空间进动锥体目标进行持续探测能够形成高分辨距离像(high resolution range profile,HRRP)序列。HRRP序列携带空间进动锥体目标的空间几何信息和运动规律等信息,是进行目标关联跟踪和分类识别的重要依据,因此研究空间进动锥体目标的HRRP序列预测具有重要意义。卷积长短时记忆(ConvLSTM)网络将CNN和LSTM二者的特点有效结合,能够充分挖掘HRRP序列的空间和时间特性,完成对HRRP的预测。本文基于空间锥体目标的进动模型建立了多种尺寸、运动速度和运动方向等不同参数的HRRP序列数据集,并利用此数据集根据HRRP特性设计实现了适用于空间进动椎体目标HRRP预测的ConvLSTM网络模型。为了测试本文设计的ConvLSTM网络预测效果,将ConvLSTM网络与二维卷积神经网络模型进行预测效果对比分析。仿真实验结果表明,ConvLSTM网络预测结果与物理光学法计算得到的HRRP一致性高,皮尔逊相关系数高达0.9731,平均绝对误差低至0.0334,相较于二维卷积神经网络预测结果更加准确。证明本文设计的ConvLSTM网络模型能够有效提取HRRP序列的时间和空间特征,实现对HRRP序列的高精度预测。展开更多
杂草在作物生长初期受环境变化影响快速扩散,严重压缩作物生长环境。为有效管理农田并准确获取杂草群落扩散位置和生长状况,采用深度学习技术,基于卷积长短期记忆网络(Convolutional long short term memory,ConvLSTM)模型及多特征融合...杂草在作物生长初期受环境变化影响快速扩散,严重压缩作物生长环境。为有效管理农田并准确获取杂草群落扩散位置和生长状况,采用深度学习技术,基于卷积长短期记忆网络(Convolutional long short term memory,ConvLSTM)模型及多特征融合对农田杂草群落扩散准确预测,通过无人机获取具有时间序列的数字正射图像(Digital orthophoto map,DOM)数据,数据预处理后,优化土壤调节植被指数(Optimizing soil adjustment vegetation index,OSAVI)阈值法,构建多种输入特征制作数据集。将ConvLSTM模型与多种输入特征融合并对模型进行堆叠优化,构建多特征融合卷积长短期记忆网络(Multi-feature convolutional long short term memory networks,MF-ConvLSTM)模型,实现多步预测,使用制作数据集进行网络训练,综合对比MF-ConvLSTM、ConvLSTM、深度神经网络(Deep neural network,DNN)、全连接长短期记忆网络(Fully-connected long short term memory networks,FC-LSTM)4个模型。结果表明,构建的MF-ConvLSTM模型预测效果较好,其综合性能优于ConvLSTM、DNN和FC-LSTM,均方误差(Mean square error,MSE)值为0.0191,较传统FC-LSTM模型下降0.0087、POD提高0.0702、CSI提高0.0583、FAR降低0.0727。在不同覆盖度和降雨量条件下,MF-ConvLSTM模型杂草群落扩散预测结果较为平均,拥有较稳定MSE值及预测精度,体现模型较好的鲁棒性。此外,根据试验可知特征输入和预测步长对MF-ConvLSTM模型有不同程度影响。研究提出MF-ConvLSTM模型能自适应学习短期时空依赖关系,在多特征共同输入和短期预测步长情况下达到最佳性能。研究为准确获取农田杂草群落扩散位置和生长状况提供思路和方法,也可为后续农田精准除草和制作杂草处方图提供参考。展开更多
文摘针对综采工作面周期来压预测的技术难题,研究了理论分析、数据采集与预处理、模型评估与优化等方法,提出了具有时空关联分析与POI(Point of Intersesting)数据的ConvLSTM模型,利用多源数据融合得到周期来压预测的最优解,实现工作面环境状态的实时感知和预测。试验结果表明:基于POI-ConvLSTM的工作面周期来压预测模型,均方误差为0.159,R 2评价指标为0.999,相比于Seq2Seq和ConvLSTM模型的均方误差分别降低了68.07%和4.22%。可见,融合了多元数据POI-ConvLSTM模型的预测精度更高,普适性更强,能够准确地提前预测周期来压问题。
文摘针对传统单车需求预测研究在处理不同地区无桩共享单车需求预测中存在的特征提取不精细和地区需求预测匹配度不精准等问题,在对南京地区两个自然年度、三类典型地区共享单车的使用需求数量、天气状态、季节周期等多类数据进行采集和特征工程的基础上,提出了一种兼顾时空序列的基于ConvLSTM(Convolutional Long Short Term Memory)深度学习预测模型,该模型通过卷积操作后能够提取数据中隐含的更多空间信息,将其应用于测试集中并与经典时序LSTM(长短期记忆网络)和CNN(卷积神经网络)进行对比发现,RMSE分别提升0.05和0.04,最大误差分别提升约0.86和0.3。
文摘针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。
文摘宽带雷达对空间进动锥体目标进行持续探测能够形成高分辨距离像(high resolution range profile,HRRP)序列。HRRP序列携带空间进动锥体目标的空间几何信息和运动规律等信息,是进行目标关联跟踪和分类识别的重要依据,因此研究空间进动锥体目标的HRRP序列预测具有重要意义。卷积长短时记忆(ConvLSTM)网络将CNN和LSTM二者的特点有效结合,能够充分挖掘HRRP序列的空间和时间特性,完成对HRRP的预测。本文基于空间锥体目标的进动模型建立了多种尺寸、运动速度和运动方向等不同参数的HRRP序列数据集,并利用此数据集根据HRRP特性设计实现了适用于空间进动椎体目标HRRP预测的ConvLSTM网络模型。为了测试本文设计的ConvLSTM网络预测效果,将ConvLSTM网络与二维卷积神经网络模型进行预测效果对比分析。仿真实验结果表明,ConvLSTM网络预测结果与物理光学法计算得到的HRRP一致性高,皮尔逊相关系数高达0.9731,平均绝对误差低至0.0334,相较于二维卷积神经网络预测结果更加准确。证明本文设计的ConvLSTM网络模型能够有效提取HRRP序列的时间和空间特征,实现对HRRP序列的高精度预测。
文摘杂草在作物生长初期受环境变化影响快速扩散,严重压缩作物生长环境。为有效管理农田并准确获取杂草群落扩散位置和生长状况,采用深度学习技术,基于卷积长短期记忆网络(Convolutional long short term memory,ConvLSTM)模型及多特征融合对农田杂草群落扩散准确预测,通过无人机获取具有时间序列的数字正射图像(Digital orthophoto map,DOM)数据,数据预处理后,优化土壤调节植被指数(Optimizing soil adjustment vegetation index,OSAVI)阈值法,构建多种输入特征制作数据集。将ConvLSTM模型与多种输入特征融合并对模型进行堆叠优化,构建多特征融合卷积长短期记忆网络(Multi-feature convolutional long short term memory networks,MF-ConvLSTM)模型,实现多步预测,使用制作数据集进行网络训练,综合对比MF-ConvLSTM、ConvLSTM、深度神经网络(Deep neural network,DNN)、全连接长短期记忆网络(Fully-connected long short term memory networks,FC-LSTM)4个模型。结果表明,构建的MF-ConvLSTM模型预测效果较好,其综合性能优于ConvLSTM、DNN和FC-LSTM,均方误差(Mean square error,MSE)值为0.0191,较传统FC-LSTM模型下降0.0087、POD提高0.0702、CSI提高0.0583、FAR降低0.0727。在不同覆盖度和降雨量条件下,MF-ConvLSTM模型杂草群落扩散预测结果较为平均,拥有较稳定MSE值及预测精度,体现模型较好的鲁棒性。此外,根据试验可知特征输入和预测步长对MF-ConvLSTM模型有不同程度影响。研究提出MF-ConvLSTM模型能自适应学习短期时空依赖关系,在多特征共同输入和短期预测步长情况下达到最佳性能。研究为准确获取农田杂草群落扩散位置和生长状况提供思路和方法,也可为后续农田精准除草和制作杂草处方图提供参考。
