-
公开(公告)号：CN111723990A
公开(公告)日：2020-09-29
申请号：CN202010563853.1
申请日：2020-06-19
申请人： 福州大学
摘要： 本发明涉及一种基于双向长短期记忆神经网络的共享单车流量预测方法。考虑到共享单车流量是一种时间序列，当前流量与过去和将来的流量具有密切的联系，该方法建立了时间步长为12的双向长短期记忆网络模型，即以过去十二个小时的数据作为输入，预测未来一个小时的共享单车流量数据，以此类推，每次将时间向后平移一个小时，从而预测下一个共享单车流量数据。本发明利用平均绝对误差、平均绝对百分比误差、均方根误差、皮尔逊相关系数对预测结果进行评估。为了验证模型的性能，本发明选取人工神经网络，循环神经网络以及长短期记忆网络作为对比模型。实验结果显示，本发明方法在预测未来的共享单车流量的性能最佳。
-
公开(公告)号：CN111723990B
公开(公告)日：2023-04-18
申请号：CN202010563853.1
申请日：2020-06-19
申请人： 福州大学
IPC分类号： G06Q10/04 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/082 , G06F16/26 , G06F16/215 , G06Q50/26
摘要： 本发明涉及一种基于双向长短期记忆神经网络的共享单车流量预测方法。考虑到共享单车流量是一种时间序列，当前流量与过去和将来的流量具有密切的联系，该方法建立了时间步长为12的双向长短期记忆网络模型，即以过去十二个小时的数据作为输入，预测未来一个小时的共享单车流量数据，以此类推，每次将时间向后平移一个小时，从而预测下一个共享单车流量数据。本发明利用平均绝对误差、平均绝对百分比误差、均方根误差、皮尔逊相关系数对预测结果进行评估。为了验证模型的性能，本发明选取人工神经网络，循环神经网络以及长短期记忆网络作为对比模型。实验结果显示，本发明方法在预测未来的共享单车流量的性能最佳。
-
公开(公告)号：CN116386312A
公开(公告)日：2023-07-04
申请号：CN202211464446.0
申请日：2022-11-22
申请人： 福州大学
摘要： 本发明适用于智能运输系统领域，提供了一种交通量预测模型的构建方法和系统，所述方法包括将经过预处理的数据划分为测试集、验证集和测试集；根据路段节点的位置构建邻接矩阵，所述邻接矩阵用于表征路段节点之间的相关性；对所述测试集中的数据按序列分别进行时间依赖关系和空间依赖关系的提取，所述时间依赖关系用于表征时间步之间的权重关系，所述空间依赖关系用于表征路段节点之间的权重关系；对时间依赖关系和空间依赖关系的提取结果进行全连接层处理，完成交通量预测模型的构建。本发明实施例的有益效果是：有效的对道路交通的时间依赖、空间依赖、趋势模式进行了学习，从而能够高效的预测交通量。
-
公开(公告)号：CN111340292B
公开(公告)日：2022-05-10
申请号：CN202010120838.X
申请日：2020-02-26
申请人： 福州大学
摘要： 本发明涉及一种基于聚类的集成神经网络PM2.5预测方法，包括以下步骤：S1）获取历史PM2.5数据和气象数据，进行数据预处理后，得到数据集；S2）使用皮尔逊相关系数分析PM2.5与包括气象数据和时间戳的辅助数据的相关性，以利用提取的特征提高聚类性能，以及训练集成神经网络；S3）建立基于风向的聚类方法，以考虑风向对PM2.5的影响，提高预测的精度；S4）建立集神经网络、递归神经网络和长短时间记忆网络于一体的集成神经网络模型来预测PM2.5浓度，以减小单一模型的过拟合问题；S5）以过去一段时间的数据为输入，输入集成神经网络，分析和预测未来的PM2.5数据。该方法有利于提高预测精度，减少计算时间。
-
公开(公告)号：CN110147877A
公开(公告)日：2019-08-20
申请号：CN201910438564.6
申请日：2019-05-24
申请人： 福州大学
摘要： 本发明涉及一种基于卷积长短时网络的PM2.5预测方法，其特征在于，包括以下步骤：步骤S1:采集待测城市及其相邻城市的历史的PM2.5浓度数据和空气数据；步骤S2:对采集到的数据进行预处理，得到预处理后的数据；步骤S3:将预处理后的数据进行归一化处理，并分为训练集和测试集；步骤S4:构建CONVLSTM神经网络模型；步骤S5:将训练集输入CONVLSTM神经网络模型，训练CONVLSTM神经网络模型；步骤S6:采用反向传播算法的策略对网络进行学习，进行迭代运算，得到最优的模型参数；步骤S7:将训练集的时间向后平移一天，循环步骤S5至步骤S7，更新参数权重直至训练回合达到预设值，得到训练后的CONVLSTM神经网络模型；步骤S8:将测试样本输入至训练后的CONVLSTM神经网络模型中进行预测，得出预测值。
-
公开(公告)号：CN115204378A
公开(公告)日：2022-10-18
申请号：CN202210839107.X
申请日：2022-07-18
申请人： 福州大学
摘要： 本发明适用于物联网技术领域，提供了一种去标志神经网络模块、去标志方法、电子设备、存储介质。所述去标志神经网络模块包括：输入层，用于从原始IoT数据中提取特征数据，并对提取的特征数据进行去标志处理；传输层，用于将去标志处理后的特征数据传输到输出层；输出层，用于基于输入的特征数据获得深度模型的估计结果。本发明通过将神经网络以传输层为界分为输入层和输出层，即划分为去标志和估计两个阶段，从而构建得到了去标识神经网络，输入层在提取特征数据的同时对特征数据进行了去标志处理，从而减轻深度模型在UE中的正向传播计算压力，并消除额外的加密操作。
-
公开(公告)号：CN111340292A
公开(公告)日：2020-06-26
申请号：CN202010120838.X
申请日：2020-02-26
申请人： 福州大学
摘要： 本发明涉及一种基于聚类的集成神经网络PM2.5预测方法，包括以下步骤：S1）获取历史PM2.5数据和气象数据，进行数据预处理后，得到数据集；S2）使用皮尔逊相关系数分析PM2.5与包括气象数据和时间戳的辅助数据的相关性，以利用提取的特征提高聚类性能，以及训练集成神经网络；S3）建立基于风向的聚类方法，以考虑风向对PM2.5的影响，提高预测的精度；S4）建立集神经网络、递归神经网络和长短时间记忆网络于一体的集成神经网络模型来预测PM2.5浓度，以减小单一模型的过拟合问题；S5）以过去一段时间的数据为输入，输入集成神经网络，分析和预测未来的PM2.5数据。该方法有利于提高预测精度，减少计算时间。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.019 秒)
