基于深度学习的航标漂移预测方法及应用研究

这是一篇关于航标,漂移预测,GRU,注意力机制,TensorFlow Serving的论文, 主要内容为航标是标示航道方向、界限与障碍物的标志,用于引导船舶航行与定位,在保障水上通航安全方面发挥着重要作用。浮标作为水上悬浮体,其位置会不断发生变动,对内河航道安全影响较大。深入挖掘航标漂移运动规律,合理地预测短期内航标漂移位置和距离,对于保障船舶航行安全和防碰撞预警至关重要。本文基于数字航道的航标GPS位置数据和航道水位数据,对航标漂移特性进行深入研究,利用深度学习方法,建立了基于GRU和注意力机制的航标漂移预测模型,并结合航标信息服务的需求,设计实现了航标智能服务信息系统,实现航标漂移预测模型的应用。本文的主要工作如下:首先,基于航标运动特征,分析了水位因素影响下航标的运动规律,利用皮尔森相关性分析方法分析了水位与航标位置经度、纬度、位移量的相关性,采用回归分析建立了水位-位移量拟合模型,确定了航标漂移预测模型的输入特征组成。然后,将循环神经网络应用于航标漂移预测问题中,提出基于Attention-GRU的航标漂移预测模型,并同基于ARIMA、LSTM、GRU建立的预测模型进行对比分析。在长江下游多个航段的观测数据集上分别进行实验,通过RMSE、MAPE等评价指标在经度值、纬度值、漂移距离三个维度上的预测结果分析表明:基于循环神经网络的深度学习预测方法相比传统的ARIMA方法具有更高的预测精度,且本文提出的基于AttentionGRU的预测模型具有最高的预测精度。最后,设计了航标智能信息服务系统的总体架构,根据系统功能需求,基于SSM框架利用Vue、Open Layers等技术完成在线海图发布、航标报警等功能开发,并利用Tensor Flow Serving技术实现航标漂移预测模型的在线部署及应用。论文提出的航标漂移预测模型实现了对航标短期内漂移位置和漂移距离的预测,设计开发的航标智能信息服务系统可提供航标漂移报警、漂移预测等功能,研究成果可提升航标信息服务智能化水平和管理效率,对于保障船舶航行安全具有很好的应用价值。

面向用户多样性需求的个性化商品推荐方法研究

这是一篇关于个性化推荐,多样性,近邻评论,GAN,GRU的论文, 主要内容为随着移动互联和大数据的飞速发展,互联网即将从Web2.0时代迈入Web3.0时代,这意味着互联网每日产生的数据量将不断暴涨,“信息过载”问题愈发严重,用户如何在海量数据中得到想要的信息成为当下亟待解决的难题。推荐技术的发展与普及很大程度上缓解了该难题,通过分析用户历史数据获取其喜好从而进行推荐。籍此,该技术迅速在学术界和工业界盛行并应用于诸多领域。目前,越来越多研究者致力于研发各种优良的推荐算法,但现有成果仍然存在一些不足。一是数据稀疏性问题仍然没有得到很好的解决,虽然已经有大量研究证明采用评论缓解评分的稀疏性切实有效,却忽略了评论本身的稀疏性。二是缺少对推荐多样性的深入思考,即使有些方法考虑了多样性也是采用单一的策略,推荐效果欠佳。本文针对以上问题对提升推荐的准确性和多样性开展研究,提出了面向用户多样性需求的个性化商品推荐方法,该方法包括如下两个部分:一、针对评论的稀疏问题,提出了融合近邻评论的GRU商品推荐模型。首先,引入近邻评论的思想,用近邻评论挖掘用户的潜在偏好;然后将矩阵分解得到的隐向量送入多层感知机,获取评分数据的深层非线性特征表示;最后,将基于评分数据和评论文本得到的用户特征和商品特征加以拼接,进行评分预测,将评分高的商品推荐给用户。二、针对采用单一多样性推荐方式的弊端,提出了基于用户需求的生成对抗推荐算法。首先进行多样性用户划分,拥有不同多样性需求的用户采用不同的推荐方法。该算法的生成模型由多生成器组成,每个生成器关注一个项目属性,从而生成多样性项目表示,判别模型评估生成项目并反馈给生成模型使其不断完善,最终推荐与生成项目相似度高的项目。本文在Amazon数据集上对所提出的推荐方法进行对比实验,验证了近邻评论的思想能够有效缓解评论稀疏,并在准确性指标上优于其他模型,而且多生成器网络结构在多样性指标上的也取得了不错的效果。通过对用户的划分,实现为不同的用户提供最适合的推荐方式,满足用户的多样性需求。另外,本文提出的推荐方法使用的数据有评分、评论、商品属性等,这些数据在商品交易网站容易获取,所以本文研究拥有广阔的应用领域和良好的发展前景。

考虑用户生命周期的混合推荐算法设计与实现

这是一篇关于电商推荐系统,用户生命周期,深度学习神经网络,混合推荐模型,GRU,注意力机制,商品浏览时长的论文, 主要内容为在互联网高速发展的时代,我们在移动设备上消费是个再正常不过的场景,电商企业现在对于利用营销手段获客,吸引用户进入平台已经不是一件难事,但是由于电商平台竞争激烈,用户选择越来越多,如何在短暂的,碎片化的时间内,使得用户快速对平台内商品激发兴趣,提高用户在电商平台的活跃度,保持长周期的用户留存,并使用户形成消费习惯,成为了电商企业的重大挑战。现在越来多的企业在自己的电商平台引入个性化推荐模块,来提高用户的活跃度。本文以电商平台中推荐模块中个性化推荐算法作为研究主题,因此本文研究了电商推荐算法的发展历程以及当代常用的基于深度学习推荐模型RNN,LSTM,GRU等。由于以用户为中心的互联网营销思维在电商生态中越来越重要,在个性化营销、用户运营的过程中,都会以用户视角来进行企业管理规划。随着这两年个性化推荐算法的发展,虽然运用了很多机器学习、深度学习的技术,但是融入业务内容的用户生命周期理念研究非常少,所以本文将用户生命周期作为切入视角,对现有的深度学习的个性化推荐模型进行优化。本文首先研究了电商用户生命周期的相关理论,着重阐述了用户生命周期中较为经典的AARRR模型。但因为AARRR理论对于本文研究的内容有些局限性,所以本文基于用户行为规律的探索,改进了原有的生命周期理论,提出GMS(Growth Period-成长期,Mature Period-成熟期,Sleeping Period-休眠期)生命周期理论,使之融入电商推荐系统中,更好的帮助电商企业契合在不同生命周期阶段的用户需求,提高推荐的精准度。在不同的生命周期阶段下,用户的行为规律不同,用户主要的需求倾向也不经相同,比如在G-成长期,用户行为具有稀缺性,需要平台做主动的热门商品导购,在M-成熟期,用户对商品的兴趣程度可以通过大量的历史数据获得,而在S-休眠期,则需要部分热门商品导购,加部分历史行为来唤醒用户对平台商品的兴趣。基于这种多阶段的情况,全局使用单一模型并不很好的满足不同用户需求和特征规律,所以本文研究中尝试在不同的用户生命周期阶段选用最合适的算法模型与之匹配,设计出一个基于深度学习的混合推荐算法模型框架,用户分不同阶段来是适配不同阶段模型,进而达到总体推荐模型效果最佳的状态。由于GRU在传统RNN的基础上优化了梯度消失等问题,在LSTM的基础上提升了运算效率,所以本文最终选定GRU作为主要算法之一。另外,为了能够更好的优化在电商场景兴趣度合理分配的问题,所以本文使用了注意力机制,研究加入注意力因子的混合深度学习推荐算法。时间相关的信息是个性化推荐系统中的一个关键特征。一般来说,不同的商品浏览时长反映了用户当前的兴趣度。本文提出了一种将时长相关信息融入注意力机制的GRU模型,通过对用户浏览各商品的时长信息进行分析、清洗和标准化等处理得到时长注意力因子,并将时长注意力因子和其他用户行为数据共同作为深度学习模型的输入信息进行模型训练和预测,更充分地利用了时间信息来提升推荐效果。最后为了验证本文提出的以用户生命周期的混合推荐算法的效果,本文采用了一些单一模型和混合模型,作为对比,例如:RNN,LSTM,CNN,热门推荐算法和不同阶段使用不同模型等基准。并且,还加入了 dropout来优化本文所提出混合推荐算法。本文采用了真实电商平台app的用户行为数据集,该电商平台有丰富的用户规模和用户行为数据,包括380万+的用户行为明细数据。本文训练和测试的模型,都应用于这个电商app的推荐模块中,以此来尝试提高用户在该模块中对于推荐商品的兴趣度。

城轨交通能源采集监控云服务系统的设计与实现

这是一篇关于轨道交通,云服务系统,数据远程实时采集,Netty,能耗预测,GRU的论文, 主要内容为当前城市轨道交通能耗占比和牵引节能需求不断增加,对轨道交通能耗管理系统性能和功能的要求也越来越高。本学位论文针对轨道交通线网管理系统缺乏高效统一的资源管理分析平台的问题,构建了基于云平台的城轨交通能源服务管理系统,并实现了多数据源数据远程实时采集监控和能耗预测分析功能。本文的主要研究内容如下:(1)研究了城轨交通云服务系统的技术方案,并在轨道交通牵引供电网络及采集监控云服务系统需求分析的基础上,设计了基于云服务Web系统和数据采集监控系统的整体架构方案。(2)设计了数据远程实时采集系统应用层通信协议,解决了连接效率、粘包和连接安全的问题。基于Netty的IO多路复用模型和零拷贝技术,设计并实现了更高效的远程实时传输系统,通过增加消息队列实现消息解耦异步处理,进一步降低系统耦合性。(3)分析了循环神经网络(RNN)及其变体结构和理论推导,构建了基于门控循环单元(GRU)的轨道交通牵引能耗预测模型,并在实际轨道运营数据测试中,模型平均绝对百分比误差3.4739%,可以为轨道交通能耗变化趋势提供参考。(4)基于SpringBoot框架实现了规范可靠的轨道交通能源采集监控云服务系统的Web服务架构,并具体实现用户登录、权限管理、数据监控、采集监控、能耗统计分析等模块及数据库整体设计和批处理及连接池优化设计。(5)在阿里云服务平台的基础上完成了城轨交通采集监控云服务系统的部署,对系统功能进行了测试和优化,并重点对数据采集模块进行性能测试分析,包括并发数和数据包大小对系统响应时间和吞吐量的影响。

城轨交通能源采集监控云服务系统的设计与实现

这是一篇关于轨道交通,云服务系统,数据远程实时采集,Netty,能耗预测,GRU的论文, 主要内容为当前城市轨道交通能耗占比和牵引节能需求不断增加,对轨道交通能耗管理系统性能和功能的要求也越来越高。本学位论文针对轨道交通线网管理系统缺乏高效统一的资源管理分析平台的问题,构建了基于云平台的城轨交通能源服务管理系统,并实现了多数据源数据远程实时采集监控和能耗预测分析功能。本文的主要研究内容如下:(1)研究了城轨交通云服务系统的技术方案,并在轨道交通牵引供电网络及采集监控云服务系统需求分析的基础上,设计了基于云服务Web系统和数据采集监控系统的整体架构方案。(2)设计了数据远程实时采集系统应用层通信协议,解决了连接效率、粘包和连接安全的问题。基于Netty的IO多路复用模型和零拷贝技术,设计并实现了更高效的远程实时传输系统,通过增加消息队列实现消息解耦异步处理,进一步降低系统耦合性。(3)分析了循环神经网络(RNN)及其变体结构和理论推导,构建了基于门控循环单元(GRU)的轨道交通牵引能耗预测模型,并在实际轨道运营数据测试中,模型平均绝对百分比误差3.4739%,可以为轨道交通能耗变化趋势提供参考。(4)基于SpringBoot框架实现了规范可靠的轨道交通能源采集监控云服务系统的Web服务架构,并具体实现用户登录、权限管理、数据监控、采集监控、能耗统计分析等模块及数据库整体设计和批处理及连接池优化设计。(5)在阿里云服务平台的基础上完成了城轨交通采集监控云服务系统的部署,对系统功能进行了测试和优化,并重点对数据采集模块进行性能测试分析,包括并发数和数据包大小对系统响应时间和吞吐量的影响。

数字孪生驱动的增材制造过程质量预测方法

这是一篇关于激光增材制造,数字孪生,ResNet,GRU,熔池状态识别,形貌预测的论文, 主要内容为增材制造技术得益于其加工特点的优越性获得了广泛关注,但受技术原理的影响,在成形过程中会产生较大温度梯度和热应力,导致成形精度和质量一致性难以把控,而传统成形过程质量预测方法无法满足增材制造技术广泛工业化过程中对质量控制的要求。数字孪生技术可实时获取物理过程的多源数据信息并进行监测、分析、融合与处理,为定向能量沉积成形过程的在线实时控制奠定基础。因此,采用数字孪生的思想对加工过程进行数字孪生建模,并在加工过程中实现对熔池状态及稀释率参数的有效监控、预测,对增材制造成形质量控制有重要意义。基于此,本文以定向能量沉积成形过程为研究对象,深入探究熔池演变机理,构建熔池状态识别与稀释率预测方法,主要研究内容如下:(1)针对激光增材制造加工过程复杂,质量难以预测的问题,构建激光增材制造数字孪生模型。以数字孪生五维模型理论为依据,由加工设备与图像、温度成形监控平台作为物理实体,熔池演变机理模型作为虚拟实体,加工数据作为孪生数据构建数字孪生体模型,为后续熔池状态识别与熔池层稀释率预测提供基础。(2)针对有限元方法难以模拟熔池流动并再现随机粉末效应的问题,构建基于有限体积法的定向能量沉积熔池演变机理模型。将VOF方法与高斯热源耦合,实现真实模拟熔融等复杂熔池流动现象。通过Flow3D软件中有限体积法加载粉末模型,对粉末运动进行模拟,实现润湿等粉末效应的仿真再现,最终模型预测误差在10%以内。(3)针对稀释率预测数据集样本数少、预测模型精度低的问题,提出一种基于改进GRU网络的激光增材制造稀释率预测方法。通过熔池演变机理模型构建稀释率数据集,应用Adam梯度优化方法对GRU网络模型进行改进,提高网络自适应学习率和收敛速度,实现激光增材制造稀释率参数快速、精准预测。(4)针对熔池图像信息冗余、熔池状态识别模型难以提取有效信息的问题,提出一种基于改进Res Net的定向能量沉积熔池状态识别方法。基于阈值分割与轮廓识别建立熔池图像处理方法,去除熔池冗余信息并构建熔池状态图像数据集;提出一种改进Res Net网络结构对图像数据集进行识别,通过结构优化提高网络识别精度与效率,实现激光增材制造过程熔池信息有效提取与识别,结果表明所提方法取得83%的识别准确率。

基于GRU神经网络的畜禽养殖智能环控系统研究

这是一篇关于畜禽养殖,GRU,预测,多变量,智能环控的论文, 主要内容为畜禽舍的环境控制是一个复杂的多变量控制问题,如何让舍内环境能够按照畜禽的生长周期实现完全自动调节,是目前畜禽养殖行业亟需解决的问题。本文针对现有环控系统在无线通信、远程升级以及智能控制等方面存在的缺陷,研究了一种基于GRU神经网络的畜禽养殖智能环控系统,设计并开发了一套基于STM32的环境参数采集节点与控制器设备,提出了一种基于GRU模型的智能环控策略,实现了一个完整的畜禽养殖智能环控系统。本文的主要工作内容包括:(1)终端设备的软硬件设计。面对规模化养殖舍存在的环境复杂、信号干扰多、监测面积大、位置偏远等问题,基于STM32高性能MCU设计了一套稳定性高、抗干扰能力强、部署简单、支持多种通信方式的终端设备。针对业内现有数据采集节点多为有线传输方式,安装不便,维护成本高的缺陷,设计了基于Zig Bee的采集节点与控制器的自组网模式,解决了现有布线复杂的问题。针对位置偏远导致数据传输不稳定的问题,设计一种支持Wi Fi和4G的双重网络通信方式,根据网络质量灵活调整通讯协议,实现云平台和控制器终端设备的稳定交互。针对OTA(Over The Air,空中下载技术)远程升级不稳定的问题,将拥塞控制算法应用到升级过程,实现了升级包比特率的动态调整。实验结果表明,终端设备可以不断电运转7个月以上,并且可以和云平台稳定交互,实现稳定的远程升级。(2)基于GRU模型的智能环控策略。为了尽量避免畜禽舍环境出现异常的情况,提出了基于GRU神经网络的智能环控策略。为了提升GRU模型的准确度和收敛速度,采用孤立森林算法、移动平均法和最大-最小标准化方法对数据集进行了预处理,实验结果表明,在异常值占比低于5%的情况下,孤立森林算法的准确率高达99%。为了准确调节设备的输出功率,基于GRU模型的预测结果绘制各个环境参数的变化曲线,然后利用曲线的斜率映射各个环境因子变化的剧烈程度,再结合养殖舍和环控设备的相关参数(如养殖舍的容积、风机的有效功率、湿帘的降温效率等参数)推导出各个设备的最小输出功率的计算公式。实验结果表明,相较于基于阈值的环控策略,本文的环控策略大大减少了环境异常的情况。(3)实现了一个畜禽养殖智能环控系统。该系统分为云平台和终端设备两部分,终端设备包括多个环境参数采集节点和一个控制器,采集节点通过传感器采集温度、湿度、光照、CO2等特殊气体数据,通过Zig Bee与控制器进行交互;控制器通过4G或者Wi Fi上传环境数据,并根据控制策略实现对设备的控制;云平台采用前后端分离的技术,前端采用Vue框架,后端采用Go-Zero微服务框架;云平台主要负责存储传感数据、训练GRU模型、制定环控策略,通过云平台和控制器的交互,实现按照畜禽生长周期对环境参数全自动的调节。目前,系统自部署以来已经平稳运行7个月,无论是在数据的采集方面,还是在环境的调控方面,都达到了预期的效果。

基于深度学习的航标漂移预测方法及应用研究

这是一篇关于航标,漂移预测,GRU,注意力机制,TensorFlow Serving的论文, 主要内容为航标是标示航道方向、界限与障碍物的标志,用于引导船舶航行与定位,在保障水上通航安全方面发挥着重要作用。浮标作为水上悬浮体,其位置会不断发生变动,对内河航道安全影响较大。深入挖掘航标漂移运动规律,合理地预测短期内航标漂移位置和距离,对于保障船舶航行安全和防碰撞预警至关重要。本文基于数字航道的航标GPS位置数据和航道水位数据,对航标漂移特性进行深入研究,利用深度学习方法,建立了基于GRU和注意力机制的航标漂移预测模型,并结合航标信息服务的需求,设计实现了航标智能服务信息系统,实现航标漂移预测模型的应用。本文的主要工作如下:首先,基于航标运动特征,分析了水位因素影响下航标的运动规律,利用皮尔森相关性分析方法分析了水位与航标位置经度、纬度、位移量的相关性,采用回归分析建立了水位-位移量拟合模型,确定了航标漂移预测模型的输入特征组成。然后,将循环神经网络应用于航标漂移预测问题中,提出基于Attention-GRU的航标漂移预测模型,并同基于ARIMA、LSTM、GRU建立的预测模型进行对比分析。在长江下游多个航段的观测数据集上分别进行实验,通过RMSE、MAPE等评价指标在经度值、纬度值、漂移距离三个维度上的预测结果分析表明:基于循环神经网络的深度学习预测方法相比传统的ARIMA方法具有更高的预测精度,且本文提出的基于AttentionGRU的预测模型具有最高的预测精度。最后,设计了航标智能信息服务系统的总体架构,根据系统功能需求,基于SSM框架利用Vue、Open Layers等技术完成在线海图发布、航标报警等功能开发,并利用Tensor Flow Serving技术实现航标漂移预测模型的在线部署及应用。论文提出的航标漂移预测模型实现了对航标短期内漂移位置和漂移距离的预测,设计开发的航标智能信息服务系统可提供航标漂移报警、漂移预测等功能,研究成果可提升航标信息服务智能化水平和管理效率,对于保障船舶航行安全具有很好的应用价值。

基于深度学习的水位智能预测技术与应用

这是一篇关于内河水位预测,GRU,CNN,多水位站联动,TensorFlow Serving的论文, 主要内容为内河航道水位是指导船舶合理配载和保障船舶安全航行的重要因素。合理地预测水位短期变化趋势,对于提升航道通行能力、保障船舶航行安全和科学开展航道养护至关重要。为提高内河航道水位预测精度,本文基于深度学习方法,利用门控循环神经网络(GRU)和卷积神经网络(CNN),深入研究了内河水位的智能预测模型,并针对航道信息综合服务的需求,研发了智能水位预测服务系统,实现了水位预测模型的应用。本文的主要工作包括:(1)研究循环神经网络在内河水位预测中的应用,建立了基于GRU的单水位站预测模型,并与基于长短时记忆(LSTM)的模型进行对比,分析出更适合水位预测的循环神经网络结构—GRU。(2)通过水位站时空关系分析,进一步建立了基于GRU的多水位站联动预测模型和基于CNN+GRU的多水位站联动预测模型。在长江下游多个水位站30年8时水位观测数据集上的实验结果表明,基于CNN+GRU的多站联动水位预测模型能够减小了单水位站数据随机性的影响,并更好地综合利用上下游水位站间的水位值关联性,因此具更高的预测精确度。而且,通过纳什效率系数(Nash-Sutcliffe efficiency coefficient,NSE)、均方根误差(Root Mean Square Error,RMSE)和平均相对误差(Mean Absolute Percentage Error,MAPE)等评价指标的对比分析,基于CNN+GRU的多站联动水位预测模型比基于差分自回归移动平均(ARIMA)、小波神经网络(WANN)的水位预测模型也具有更高的预测精度。(3)利用TensorFlow Serving技术对基于CNN+GRU的多站联动水位预测模型进行部署应用,并基于前后端分离框架利用Spring Boot及Vue.js等技术开发了智能水位预测服务系统。该系统的各个部分独立部署,通过RESTful API接口对接,具有很好的松耦合性和灵活性,并且预测结果可通过Web页面、APP和微信公众号等多种形式展示,为内河航行船舶及其他港航用户提供了便利的智能水位预测服务。