面向医药零售业的销量预测与智能补货系统设计与实现

这是一篇关于医药零售,补货规划模型,销量预测模型,LSTM的论文, 主要内容为国内医药零售企业正处于蓬勃发展阶段,竞争非常激烈,尤其是在“后疫情时代”和“十四五”时期,企业要想得到更快速发展,必须深化创新驱动,推进供应链协同。为推动数字技术与医药零售业的深度融合,解决门店预测精确度低、库存周转时间长、库存资金呆滞等问题,以某医药连锁股份有限公司经营数据为基础,实地调研公司现有信息系统,进行需求分析,设计、实现了一种面向医药零售业的销量预测与智能补货系统,主要涉及以下三个方面。(1)提出了满足配送约束的补货规划模型,由于顺序补货规划模型对每个商品采用相同的补货周期,会导致库存堆积或缺货现象。因此,本文通过对商品分类,采用间接成组策略构建补货规划模型实现周转率提升的同时提高库存利用率。(2)提出了基于时序统计特征的LSTM销量预测模型,根据(1)得到不同商品的补货周期,用来预测一个补货周期内药品需求量。本文通过融合特殊日期、促销活动以及天气等特征构建销量预测模型,使得门店总平均指标RMSE=40.85、MAE=25.1、MAPE=0.81。(3)研发了面向医药零售业的销量预测与智能补货系统,结合供应链管理优化技术,基于(1)(2)模型并引入CPFR和S&OP计划,在系统中规范门店请货流程,极大减少了人力决策成本。测试和应用结果表明,本文研发的系统在提升预测准确率和补货效率的同时,也优化了门店库存结构,有利于推动优化数字营商环境,提高全产业链供应商的现代化管理水平。

基于融合语义和BiLSTM的短文本分类技术研究

这是一篇关于短文本分类,特征提取,word2vec,对抗训练,LSTM,注意力机制的论文, 主要内容为在信息时代的今天,各式各样大量的短信息数不胜数,包括手机短信、垃圾邮件、问答及推荐系统的留言、购物平台的商品评价等,及时准确的从短文本库中抽取人类所需的信息是目前文本分类领域面临的一大难题;研究快速、灵活、高效、低耗的短文本内容提取策略是当前学术界的发展趋势,有助于提高用户获取有效信息的质量和速度,满足不同部门新闻分类、情感分类、舆情分析的需求。影响文本分类效果的因素有很多,本文主要从特征提取和分类器的选择两个方面来进行改进。本文在研究分析和总结特征选择和深度学习模型Bi LSTM原理的基础上,对运用特征选择和深度学习模型解决文本分类问题做了深入研究,本文的主要研究工作如下:(1)针对传统TF-IDF特征选择函数缺乏语义的问题,本文定义并引入权重系数和长度系数,并结合改进的word2vec模型,构建了融合语义的特征选择函数。其中改进的word2vec解决了传统word2vec只要有冗余的词向量,就会使计算发生差错,从而使整个文本的表达出现差错的问题,提高了准确率。同时改进的word2vec可以通过距离来表征语义相似度,具有一定的语义性,并可以将词映射到低维向量中,避免了维度灾难,提高了准确率。(2)针对短文本长度较短,文本蕴含的信息量较少,深度学习模型易受到干扰导致分类性能差的问题,本文提出一种在双向长短期记忆网络的基础上结合注意力机制和对抗训练的多层级短文本分类模型,双向长短时记忆时间递归神经网络(Bi LSTM)每个序列向前和向后分别是两个LSTM层,弥补了LSTM缺乏下文语义信息的不足。注意力机制(Attention)解决了传统的方法直接把Bi LSTM层每个时刻对应的更新输出向量求和取平均值,导致分类精度不高的问题。对抗训练是一种正则化的方法,可以提高分类模型的鲁棒性。

基于物联网的果园智能灌溉系统研究与设计

这是一篇关于物联网,ZigBee,果园智能灌溉,LSTM,OneNET云平台的论文, 主要内容为我国果园种植面积广阔,覆盖范围较大,果园灌溉用水供需矛盾日益突出,传统粗放型灌溉模式已经面临巨大考验,随着我国农业现代化的不断深入,解决果园灌溉所面临的问题已经成为了当前农业生产领域的重要研究课题,基于此,本文以果园为研究对象,结合传感技术、无线通信技术、云平台技术以及Web端技术,研究并设计了一套基于物联网的果园智能灌溉系统,基于物联网三层架构,搭建了整个系统。同时,为了更好地指导果园灌溉用水,合理规划灌溉水资源,引入LSTM时间序列深度学习模型进行果园灌溉需水量预测研究,本文的主要研究内容如下:(1)为满足果园灌溉现场环境数据的采集及传输要求,本文构建了基于“ZigBee+NB-Io T”模式的无线通信传输方案,利用ZigBee采集节点实现对果园灌溉现场环境参数数据的采集,并利用NB-Io T无线通信技术,实现数据的远程传输,最终使得数据上云,同时也可将云端下发的控制指令传输至灌溉执行设备处,还对其中所涉及到的ZigBee采集节点、灌溉执行设备节点以及网关节点分别进行软件及硬件设计。(2)进行果园灌溉需水量预测理论研究,通过对果树灌溉需水量特性进行分析,以修正后的彭曼公式(PAO-56)为真实需水量计算模型,构建基于LSTM的需水量预测模型,同时为了提升需水量预测精度,引入PSO优化算法,实现对LSTM的初始学习率和隐藏层神经元数目两个超参数的优化,并通过MATLAB进行对比模型预测实验,实验结果表明,优化后基于PSO-LSTM模型的需水量预测精度更高,预测值与真实需水量的拟合程度更好,可以为指导果园灌溉用水提供更加科学、准确的理论依据。(3)以One NET云平台作为灌溉环境数据及控制指令的中转枢纽,利用MQTT协议将终端BC26设备接入云平台,并实现数据点的上传,同时开发基于所上传数据流的果园灌溉触发预警功能,最后,基于云平台端提供的HTTP数据推送服务,开发可视化的第三方Web端果园智能灌溉管理平台,实现对果园灌溉现场环境参数数据的实时监测和对灌溉执行设备状态的远程调控。(4)系统模型搭建与调试分析。基于在实验室搭建的果园智能灌溉系统模型,对所设计的系统分别进行功能及性能测试与分析,主要包括有ZigBee采集节点的数据采集功能测试、通讯丢包率以及系统整体性能测试,网关节点数据收发功能测试,Web端果园灌溉管理平台数据监测、历史数据查询等功能测试。

基于LSTM的耀斑指数平滑值的短期预测

这是一篇关于耀斑指数平滑值,LSTM,卡尔曼滤波,多步预测,时间序列分析的论文, 主要内容为太阳耀斑是一种剧烈的太阳活动形式,强烈太阳耀斑引起的X射线增强会导致短波无线电衰减,从而影响无线电通信系统、全球定位系统、卫星和航天员的安全,造成大量的经济和商业损失。因此,建立太阳耀斑预报模型对空间天气预报具有重要意义。耀斑指数是对全日面耀斑活动强度的一个量化描述指数,是太阳辐射研究领域中最重要的太阳活动指数之一。相较于其他的太阳活动指数序列,耀斑指数时间序列的突发性更强,预测难度更大。耀斑指数平滑值在减缓了这种波动的同时,保留了耀斑指数的整体趋势。可以通过预测耀斑指数平滑值来达到预测未来一周太阳耀斑整体活动水平的目标。本文首先通过R/S分析法计算了耀斑指数与耀斑指数平滑值的Hurst指数值,表明了耀斑指数平滑值的可预测性,同时耀斑指数平滑值的预测性强于耀斑指数,为后续实验提供了基础。之后选取了适合处理时序序列的长短期记忆网络模型(Long Short-Term Memory,LSTM),从耀斑指数中提取时序信息,通过滑动窗口的方式将预测问题转化为机器学习中的监督问题,来预测未来一周的太阳耀斑指数平滑值。针对耀斑指数平滑值的获取要使用到未来的信息这一问题,提出了基于卡尔曼滤波和长短期记忆网络的耀斑指数平滑值预测模型。首先确定了耀斑指数平滑值预测网络模型的最优超参数,从预测结果中分别提取对第一天到第七天的预测结果进行误差分析,通过平均绝对误差等评价指标对模型预测结果进行定量分析,实验结果表明了本文所提出的预测模型在预测耀斑指数平滑值方面的优越性。通过与LSTM神经网络与循环神经网络(Recurrent Neural Network,RNN)进行对比分析,本文所提出的耀斑指数平滑值预测模型精度更高。最后将本文提出的模型与Spring Boot框架结合,建立了耀斑指数平滑值预测系统。

基于GCN-LSTM的空气质量预测系统的设计与实现

这是一篇关于空气质量预测,数据缺失处理,系统设计与实现,LSTM,网格化监测的论文, 主要内容为近年来随着我国经济实力的快速发展,不可避免的带来了一定的环境污染问题,尤其是大气污染。这些环境污染问题已经给人民群众的生活质量和我国经济的快速发展造成了一定的影响。为了能够快速发现和应对空气污染问题,一些地区已经开始采用空气质量的网格化监测技术来加强对环境情况的监测与管控。所以,为了能够更好的利用网格化监测技术带来的大量数据,提前发现空气污染情况,搭建一套可以使用历史空气质量监测数据来预测未来一段时间空气质量的可视化系统,是可以为我国的环境治理工作带来一定帮助的。本文的主要工作如下:(1)收集整理沈阳市浑南区18个位于空气质量网格化监控中的微型监测站的6种空气中污染物(PM2.5,PM10,O3,CO,NO2,SO2)浓度数据并进行数据预处理。(2)在分析了空气中污染物浓度数据中缺失记录前后的数据特征的基础上提出了一种融合双向GRU的空气质量数据缺失填补算法(Bi-GRU),填补算法相比以往研究中的线性插值填补算法表现更优。(3)考虑到网格化监测中各个微型监测站之间的空间关联,提出了一种基于GCN-LSTM的空气质量预测算法,GCN-LSTM算法在空气质量预测方面相比于传统的LSTM算法表现更优。(4)以Bi-GRU算法和GCN-LSTM算法为基础,结合Spring Boot,Vue和Redis等技术,搭建并测试空气质量预测系统。

基于深度学习的方面级情感分析方法研究

这是一篇关于方面级情感分析,深度学习,LSTM,多头自注意力机制,依赖树的论文, 主要内容为随着互联网的快速发展,人们几乎每天都会在电商平台和社交软件中发表自己的观点、看法。通过情感分析技术能够自动从海量的等带有情感极性的评论文本中获取人们对事件、商品的情感倾向,这对于很多行业来说都有着巨大的价值。然而传统的粗粒度情感分析已经不能够满足人们的需求,人们往往希望获得对于某些事物或商品更加全面的了解。细粒度的方面级情感分析旨在分析不同方面所表达的不同情感,能够帮助人们更好的了解事物或商品的各个方面。在本文针对方面级情感分析任务进行了重点研究,提出两种深度学习模型,主要工作包括以下两点:(1)针对上下文和方面信息之间的交互信息和位置信息,提出了基于局部信息选择机制(Local Information Selection,LIS)的方面级情感分析模型。LIS首先根据上下文单词与方面词之间的位置关系计算语义相对距离(Semantic Relative Distance,SRD),利用两种处理方式和SRD阈值将句子分为两部分局部信息。然后设计规则选择出合适的局部信息与全局信息进行拼接。最后利用多头自注意力机制学习包含句子表征,输出隐藏状态并分类。模型在Sem Eval 2014的Restaurant、Laptop数据集和Twitter数据集上进行实验验证,结果表明LIS模型在三个数据集上分别达到87.24%、82.97%与75.58%的准确率。(2)针对LIS模型在获取局部信息时丢失句子原本的句法和语义的问题,以及对于学习句子表征的学习过于简单,提出了基于依赖树距离模型(Dependency-Tree Distance,DTD)。DTD模型使用句法依赖树结构重新定义语义相对距离(SRD),根据上下文单词与方面词在依赖树结构中的位置计算SRD,并据此截取局部信息。模型使用LSTM网络和多头(自)注意力机制学习句子表征,设计了交互式学习方式,能够更加深层次的提取句子信息,并将每一步的输出通过池化操作,在最后进行拼接作为最终的句子表达用于分类。模型在Sem Eval 2014的Restaurant、Laptop数据集和Twitter数据集上进行实验验证,结果表明DTD模型在三个数据集上分别达到87.91%、84.68%与75.81%的准确率。两种模型都分别采用了Glo Ve和BERT预训练词向量模型,并与三种Non-BERT模型和三种BERT-base模型进行对比实验,以验证模型的有效性。另外,设置了不同的SRD阈值进行对比实验,结果表明两种模型在Sem Eval2014和Twitter数据集上都有不同的SRD阈值以达到最优效果。

基于网络流量的攻击特征分析与检测方法研究

这是一篇关于网络流量特征,入侵检测,深度学习,LSTM,CW-RNN的论文, 主要内容为随着计算机的普及和互联网的飞速发展,计算机网络技术在社会各个领域的得到广泛应用,同时也带来了新的网络安全挑战。早期的防火墙技术、加密技术等被动防御手段已经不能有效应对大规模流量数据。入侵检测技术是保护网络与信息安全的重要方法。随着深度学习技术的发展,将深度学习理论与网络入侵检测技术相结合,可以提高大规模流量数据检测的及时性、准确性。本文以网络流量为研究对象,概述了入侵检测相关理论和基于深度学习的入侵检测手段,并详细分析了网络流量的攻击特征和各种检测方法。本文研究了循环神经网络(RNN)和长短时记忆网络(LSTM),包括网络结构及相关算法。实验环节搭建了LSTM检测模型对网络流量数据进行入侵检测训练,采用KDD Cup99的10%子集作为实验数据,结果显示LSTM模型正确识别的攻击类别数量高于BP神经网络。时钟周期循环神经网络(CW-RNN)是一种RNN的改进结构,本文针对CWRNN提出了改进方案,对基于改进CW-RNN的入侵检测进行了实验分析,统计比较了BP神经网络、LSTM网络、CW-RNN网络以及改进CW-RNN模型的多项预测指标。通过对比发现,改进的CW-RNN模型对于KDD Cup99数据集,特别是基于流量的特征在稀有攻击类型上U2R具有较高的检测率。由于隐藏层内部单元有选择的参与运算,改进CW-RNN网络训练的时间复杂度大幅降低,使得训练速度得到显著提高,收敛速度也高于原始CW-RNN模型。为了验证模型的实际检测能力,采用Vue和Python搭建了一套功能完备的基于网络流量特征的入侵检测原型系统,具有一定的工程应用价值。

Research on Movie Recommendation Method Based on Convolution Neural Network and Long Short Term Memory Network

这是一篇关于推荐模型,神经网络,Text-CNN,LSTM,动态兴趣的论文, 主要内容为随着计算机技术尤其是网络技术的迅速发展,网络上的信息呈指数增长,信息过载问题越来越严重。对于用户而言,要想从海量数据中找到符合要求的数据可能就需要花费大量的时间。因此,推荐系统的研发迫在眉睫。推荐系统可以通过分析用户的特征以及历史的行为记录,从而分析出用户的兴趣进而对用户进行推荐。目前,推荐系统已经广泛应用于社会的各个领域,如电商、音乐、电影以及新闻推荐等。在电影领域,解决信息过载的一个重要方法就是电影推荐系统,它能根据用户的个人信息、平日的浏览痕迹以及评分内容等给用户推荐其可能会感兴趣的电影。在电影推荐系统中,推荐模型起到了至关重要的作用,它甚至会在一定的程度上决定推荐的质量。常见的推荐模型有很多,比如基于内容的推荐,协同过滤推荐以及混合推荐等。基于内容的推荐利用用户已选择的项目来寻找其他类似属性的项目进行推荐;协同过滤推荐利用用户与项目之间的交互信息为用户进行推荐。但是由于传统的推荐方法采用的浅层模型依赖于人工设计特征,其在提取数据特征时的有效性和可扩展性非常有限;此外,传统的推荐模型也无法学习到用户和项目的深层次特征。随着互联网中越来越多的数据能够被感知获取,包括文本、标签在内的多源异构数据,它们中都蕴含着丰富的用户行为信息和用户个性化需求信息,因此传统的推荐方法面临着巨大的挑战。近年来,深度学习在自然语言、图像处理等多个领域已经取得了突破性进展,为推荐系统的研究也带来了新的机会。深度学习能够学习一种深层次非线性网络结构来表征用户和项目之间的关系,获得它们的深层次特征表示,并且深度学习能够将多源异构数据映射到一个相同的隐空间,获得数据的统一表示,在此基础上融合传统的推荐方法.就能有效利用多源异构数据,并获得用户和项目的深层次特征表示,提高推荐系统的性能以及用户满意度。因此本文基于MovieLens的数据集,提出了基于神经网络的特征提取方法并与传统的推荐模型相结合对用户进行个性化推荐。根据MovieLens数据集的特征,系统首先对数据进行清理,将其中的半结构化数据、非结构化数据转化为神经网络可以处理的数据形式,并且将整体的数据集按照用户的评分时间顺序分为三大部分:训练集、验证集和测试集,训练集用于模型的训练,找出最优的模型参数;验证集用于模型的调参,找到最适合的超参数;测试集则用于体现模型的泛化性能。具体来说,数据集中包括了用户信息,电影信息以及用户对电影的评分信息,其中用户信息包括了用户的性别、年龄、职业等,电影信息包括了电影类别、标题等,评分信息中包括了用户对电影的评分数据,用户信息和电影信息分别能体现用户特征和电影特征,而评分信息能过体现用户对电影的兴趣。因此,系统首先根据用户性别、年龄、职业以及电影类别,将其中的非数字类型的字段转换为嵌入矩阵的索引,将其作为输入传入嵌入层,得到各自的嵌入层特征,拼接之后输入全连接层得到用户特征;对于电影特征,由于电影可以有多个类型,因此系统先将其处理成multi-hot编码的形式,并与嵌入层矩阵相乘得到电影类型特征,而对于电影标题,需要利用Text-CNN从中提取出电影的潜在文本特征,之后将各个特征拼接起来输入全连接层,获得电影特征向量。在分别得到用户特征以及电影特征之后,将其连接输入全连接层获得用户对电影的兴趣特征,并预测用户对电影的评分,将预测结果与真实评分做回归处理,采用MSE来评估模型的好坏。在训练集上训练完毕之后,在验证集上进行验证,从而找到最优超参数,包括学习率、卷积核的数量、神经元的数量以及模型深度等。在得到比较好的超参数之后,利用全部训练数据集以及验证数据集重新训练模型,并最终在测试集上得到模型的性能,并利用该模型提取出用户对电影的兴趣特征。利用得到的用户兴趣特征计算用户兴趣之间的余弦距离从而得到用户之间的相似度,针对特定的目标用户找到与其兴趣相似的邻居用户,对目标用户未看过的电影,将该用户与邻居用户之间的相似度与邻居用户对该电影的兴趣相乘作为目标用户对这部电影的感兴趣程度,并对其进行排序,找到目标用户最感兴趣的N部电影,对用户进行推荐。我们利用precision,recall以及F1值作为模型的评价指标,并将这一模型与传统的推荐模型进行对比,可以发现本系统提出的模型在推荐准确度上的确有所提高。在上述模型中我们通过用户的历史行为数据来预测用户对未知电影的兴趣偏好,但是在该模型中我们假设用户的兴趣是不变的并且没有考虑到用户历史行为的时间顺序以及用户兴趣的时间动态性。因此,我们又提出了一种基于用户动态兴趣的模型。根据用户行为体现用户兴趣的假设,将用户对电影的近期评分序列输入到LSTM网络中,从而提取出用户的短期兴趣特征。具体来说,本模型将用户近期评分的电影序列输入嵌入层,将高维稀疏的近期评分电影序列映射为低维稠密的近期评分电影嵌入向量,然后再将其输入到LSTM网络中,获得近期评分的电影序列的变化规律,也就是体现了用户的短期兴趣特征。之后,结合上个模型中根据用户基本特性提取出的用户特征,我们可以将其看作用户的长期兴趣特征,将用户的长、短期兴趣特征相结合,输入全连接层得到用户的动态兴趣特征,然后再与电影特征串联起来,并输入一个全连接层来预测用户对电影的评分情况,将得到的结果与真实的评分做回归,利用MSE值来评判模型的好坏。接着,在训练集上训练模型并在验证集上进行验证,以便找到最优超参数,包括学习率、序列长度、隐藏层结点个数,网络深度等。在得到最优模型之后,我们利用全部的训练集以及验证集数据对模型进行重新训练,最终在测试集上得到模型的评价标准,并提取出用户对电影的兴趣特征。在得到用户对电影的兴趣特征之后,依然计算用户之间的cosine相似度找到目标用户的邻居,并根据邻居对电影的感兴趣程度得到目标用户对电影的兴趣,并对其进行排序进top-N推荐。我们用precision,recall,F1值作为推荐模型好坏的评价标准,并分析了当推荐电影的数量不同时,模型的推荐性能是否发生变化。最后,我们将本模型与传统的推荐算法模型以及上一章中所提出的模型进行对比,发现本模型在推荐准确度上的确有所提高。此外,本文还设计了一个电影推荐系统,使得用户可以通过浏览器登录系统并浏览电影相关信息,系统也会根据用户的登录信息对用户进行个性化推荐。该系统主要是基于B/S架构,主要包括三部分内容:表示层,逻辑层以及数据层。其中,表示层以浏览网页的形式与用户或者管理者进行交互,为其提供了各式服务包括注册、登录、浏览、添加等。逻辑层是表示层和数据层之间连接的桥梁,是整个体系结构的核心模块,主要又可以分为信息管理、智能推荐以及数据分析处理等。数据层是用于实现数据的存储和读取操作,在本系统中主要包括了用户数据、电影数据以及用户评分数据。具体来说,用户通过网页输入用户名以及密码等相关信息,这些信息会传送到后台进行验证,判断在用户信息表中是否已经存在该用户的注册信息,若未存在该用户的相关信息或者用户名和密码并不对应则返回登录失败;若用户名和密码相对应则该用户即可登录进入系统主页面。在进入主页面之后用户可浏览相关电影信息也可以查看到与自己相关的个人信息,并且系统会根据该用户的个人信息为其生成个性化推荐,主要包括三方面的内容:其它用户近期看的最多的前20部电影,其它用户近期平均打分最高的前20部电影以及根据前两章的推荐算法计算得到的该用户可能会喜欢的10部电影。与传统的推荐模型相比,本文提出的模型在性能上均有一定的提高,但仍存在一些不足。首先,本文没有考虑用户行为的时间间隔。如果在特征提取中加入实际的时间间隔信息,可以帮助模型更好地了解用户感兴趣的变化规律。其次,在训练数据量大、隐藏层节点多的情况下,神经网络的训练需要大量的时间。如何提高网络的培训效率是一个值得进一步研究的问题。最后,本文提出的算法仅适用于电影推荐系统,不适用于其他领域,需要进一步改进模型的通用性。