基于深度学习的中长期光伏发电量预测的研究与实现

这是一篇关于中长期发电量预测,特征生成,机器学习,深度学习,灰狼优化算法的论文, 主要内容为目前,分布式光伏电站发展迅速,装机量已超过集中式光伏电站,这对电网提前制定计划提出了更高的挑战。准确的中长期发电量预测不仅能为电网提前制定相应计划提供决策支持,也能为未装机地区提供参考,同时对电网的稳定、有效运行至关重要。与短期发电量预测相比,中长期发电量预测难度更大。首先,中长期时间跨度大,需大量数据作为支撑;其次,实际数据中电站特征和气象特征较少且相关性较低;最后,分布式光伏电站中长期发电量预测,不仅对模型的准确率要求比较高,对模型的泛化性要求同样较高。本文电站数据来源于宁夏某光伏公司,气象数据来源于中国天气网。针对数据存在缺失值和异常值的问题,采用KD树和孤立森林进行缺失值填充和异常值检测。同时,由于数据特征较少且相关性较低,因此引入一种基于遗传规划算法的特征生成技术。与原始特征相比,生成后的特征具有更高的相关性,将原始特征和生成特征作为后续预测模型的输入。为提高分布式光伏中长期发电量预测准确率及泛化能力,本文构建了一种基于深度学习的组合预测模型,即极端随机森林-长短时门控循环网络-灰狼优化算法模型(ET-LSTMGRU-GWO)。由于本文使用的是分布式光伏中长期发电量实际数据,分析发现规律并不明显且受天气变化影响较大,仅使用单一模型无法应对复杂情况,因此本文利用极端随机森林学习数据显著特征,且有效提高模型泛化性和抗干扰能力;LSTM和GRU的结合能够学习数据的时序特征;并将前面两个模型输出的结果使用灰狼算法进行拟合,以得到更好的预测结果。应用实际数据测试模型,与主流的机器学习、深度学习方法进行对比,验证了本文构建的模型具有更高的准确率和更好的泛化性。最后,设计与实现了分布式中长期发电量预测系统。本系统为B/S架构,后端使用flask框架,前端使用layui和echarts框架,数据分析及模型训练均用python实现。登录后系统主页面能够看到宁夏各城市实时天气信息和电站分布情况,且能查看各个电站的日、周、月发电量预测情况和实际发电量情况。

考虑电池更换的共享电动自行车再分配问题研究

这是一篇关于共享电动自行车,静态单车重定位问题,多商品取送货问题,调度优化,灰狼优化算法的论文, 主要内容为2022年国家信息中心发布的《中国共享经济发展报告(2022)》中明确表示,2021年我国共享型服务和消费保持了稳定增长的态势,呈现出巨大的发展韧性和潜力,同时在2021年中,监管政策、资本市场形势等多种因素共同影响着我国共享经济发展,使得市场格局有重塑之势,且竞争愈来愈激烈,商业模式也越来越多元化。共享电动自行车是共享出行领域的一种形式,目前已经在一些城市中,成为了补充城市公共交通、方便人们日常出行的重要工具,也是我国鼓励人们践行绿色低碳生活的重要举措。在2019年中华人民共和国交通部发布对电动自行车行业的规范后,资金大量涌入市场。国家信息中心分享经济研究中心发布的数据显示,共享经济中交通出行领域的直接融资规模于2021年的同比增速达到了321.7%,说明该领域吸纳社会资金的能力非常强,加速上市成为许多共享平台的战略选择。然而,共享电动自行车如何真正实现便民利民是公共交通发展和城市管理中需要不断研究的课题。随着资金的流入,企业之间竞争更加强烈,虽然共享电动自行车系统是在借鉴共享单车系统的基础上搭建起来的,但是其仍未能彻底解决车辆投放、运营维护、调度管理等方面的问题,一些站点中投放量过多、车辆调度不及时无法满足客户需求等运营情况仍然经常出现,对于企业来说,增加了运营成本,对于城市公共环境来说,影响了公共交通管理秩序。研究共享电动自行车车辆调度优化问题是必要且迫切的。同样亟需关注的是共享电动自行车在运营过程中存在对电量的考虑,当电量不能满足客户的行驶距离时,共享电动自行车将会被闲置,故在考虑电动自行车车辆调度优化问题的同时,考虑电量补给问题是同样迫切的。本文通过对共享电动自行车的发展现状和现实困难进行分析,基于一定假设条件,对约束进行整理和描述,构建出以最小化调度卡车行驶路径成本、装卸电动自行车的成本、更换电池的成本和电动自行车电量不足的惩罚为目标的考虑电池更换的共享电动自行车再分配问题的混合整数规划模型。考虑到问题的复杂性,本文设计了改进的灰狼优化算法对问题进行求解。在综合考虑原始灰狼优化算法的优点和缺点之后,对原始灰狼优化算法进行两个部分的改进:初始解的构建和位置的更新方程。并通过在小中大三个规模的算例中,对改进的灰狼优化算法及原始灰狼优化算法、遗传算法、差分进化算法、粒子群优化算法进行算例测试,证明了改进的灰狼优化算法在求解考虑电池更换的共享电动自行车再分配问题上具有适用性和优越性。还使用改进的灰狼优化算法对仅进行共享电动自行车调度的问题进行求解,证明了该算法在求解静态共享单车调度、单商品取送货等问题上也具有一定的适用性。最后在灵敏度分析中,验证降低人工操作成本、选用合适容量的调度卡车的重要性。

基于知识图谱与机器学习的贷款违约预测

这是一篇关于贷款违约预测,知识图谱,机器学习,图卷积网络,灰狼优化算法的论文, 主要内容为贷款违约风险指借款人不愿或不能履行偿还到期债务的义务而构成合同违约的可能性,事关银行等金融机构的资金安全与稳健经营,对可能违约的贷款进行预测可以有效降低已发放贷款的潜在损失。目前金融机构通常依靠数理统计或机器学习算法进行贷款违约预测,这些方法无法有效处理金融数据中的复杂实体关系,而知识图谱能够有效挖掘数据中的语义信息。因此,本文提出了一种结合知识图谱与机器学习技术的IGWO-XGB-KG模型,在构建金融知识图谱的基础上,使用知识表示学习将金融知识图谱嵌入到低维稠密的向量空间中,并获取贷款实体的嵌入向量,与其他特征结合后一起输入到XGBoost模型中进行训练,最后通过Logistic-Tent混沌映射与淘汰机制改进灰狼优化算法,并对XGB-KG模型的超参数进行优化。本文主要研究内容包括以下几方面:(1)针对来源于真实业务场景的网络借贷数据集,深入探索数据质量,以可视化的方式对数据特征展开分析,随后进行数据预处理。根据业务规则设计语义数据模型,以自顶向下的方式构建金融知识图谱,并存入Neo4j图数据库。(2)提出了结合知识表示学习与极限梯度提升的XGB-KG模型,基于两层关系图卷积网络与Compl Ex模型搭建图自编码器结构,将金融知识图谱的向量化表示作为补充特征输入到XGBoost模型中。实验结果表明,将知识图谱嵌入作为补充特征可以提升分类模型预测贷款违约风险的性能,与XGBoost相比,本文提出的XGB-KG模型在各项评价指标上均有提升。(3)考虑到XGB-KG模型超参数众多且结构复杂,本文借助群体智能优化思想,以灰狼优化算法为基础,结合Logistic-Tent混沌映射与淘汰机制提出了改进的IGWO算法,并对XGB-KG模型超参数进行优化。实验结果表明,本文提出的IGWO-XGB-KG方法在贷款违约预测任务中较XGBoost的F1分数与AUC分数分别提升了5.5%、3.6%。综上所述,本文为贷款违约预测任务中多源数据的关联和知识图谱的应用提供了参考,所构建的贷款违约预测模型取得了较好的分类效果,能够准确、高效地识别出潜在违约的贷款,可以为金融领域的风险管理提供参考依据,对于维护金融资金安全具有重要意义。

基于DRGs分组的费用预测模型研究与实现

这是一篇关于疾病诊断相关分组,支持向量机回归,决策树算法,灰狼优化算法,冠心病,费用预测的论文, 主要内容为近年来,我国面临医疗卫生总费用连年递增,疾病诊疗过程不规范,百姓看病难、看病贵,医保基金收支严重失衡等诸多问题。鉴于疾病诊断相关分组(DRGs)在国内外医疗控费领域中所取得的显著成效,本文结合机器学习算法,开展基于DRGs分组的费用预测模型研究,为控制医疗费用不合理增长提供新参考,为疾病费用预测方法提供新思路。本文主要研究工作如下:首先,本文以某三甲医院主要诊断为冠心病的病案首页数据作为研究对象,对其展开数据集成、规约、清洗、变换等一系列预处理操作,以此来提高数据质量,确保后续DRGs分组结果的合理性和费用预测模型的科学性。然后,本文对CHS-DRGs的分组原理和分组逻辑进行深入研究;运用单因素分析、多元线性回归分析出影响冠心病住院费用的主要因素,作为DRGs分组的分组节点;对CART、CHAID、E-CHAID三种决策树算法进行深入研究,通过这三种不同的决策树算法进行DRGs分组,筛选最优分组模型。研究结果表明:基于E-CHAID的DRGs分组效果最好,其组内同质性更高,组间变异性更大。接着,本文提出一种基于DRGs分组的GWO-SVR费用预测模型。通过剔除线外患者数据,将DRGs分组的病种权重作为输入特征进行费用预测,增强模型预测结果的可靠性,并在一定程度上起到合理控费的作用。通过选择合适的核函数来保证SVR算法的预测精度;通过灰狼算法对SVR进行参数优化,解决SVR算法在大规模样本中的高运算、高耗时缺陷,降低参数寻优时间,进一步提高预测精度;通过与其他优化算法的SVR模型进行实验对照,验证本文所提出GWO-SVR算法的优越性。研究结果表明:基于DRGs分组的GWO-SVR费用预测模型可以很好的对冠心病住院费用进行预测。最后,从系统设计、系统实现两方面入手,利用Spring MVC框架、My SQL数据库实现费用预测系统。

基于知识图谱与机器学习的贷款违约预测

这是一篇关于贷款违约预测,知识图谱,机器学习,图卷积网络,灰狼优化算法的论文, 主要内容为贷款违约风险指借款人不愿或不能履行偿还到期债务的义务而构成合同违约的可能性,事关银行等金融机构的资金安全与稳健经营,对可能违约的贷款进行预测可以有效降低已发放贷款的潜在损失。目前金融机构通常依靠数理统计或机器学习算法进行贷款违约预测,这些方法无法有效处理金融数据中的复杂实体关系,而知识图谱能够有效挖掘数据中的语义信息。因此,本文提出了一种结合知识图谱与机器学习技术的IGWO-XGB-KG模型,在构建金融知识图谱的基础上,使用知识表示学习将金融知识图谱嵌入到低维稠密的向量空间中,并获取贷款实体的嵌入向量,与其他特征结合后一起输入到XGBoost模型中进行训练,最后通过Logistic-Tent混沌映射与淘汰机制改进灰狼优化算法,并对XGB-KG模型的超参数进行优化。本文主要研究内容包括以下几方面:(1)针对来源于真实业务场景的网络借贷数据集,深入探索数据质量,以可视化的方式对数据特征展开分析,随后进行数据预处理。根据业务规则设计语义数据模型,以自顶向下的方式构建金融知识图谱,并存入Neo4j图数据库。(2)提出了结合知识表示学习与极限梯度提升的XGB-KG模型,基于两层关系图卷积网络与Compl Ex模型搭建图自编码器结构,将金融知识图谱的向量化表示作为补充特征输入到XGBoost模型中。实验结果表明,将知识图谱嵌入作为补充特征可以提升分类模型预测贷款违约风险的性能,与XGBoost相比,本文提出的XGB-KG模型在各项评价指标上均有提升。(3)考虑到XGB-KG模型超参数众多且结构复杂,本文借助群体智能优化思想,以灰狼优化算法为基础,结合Logistic-Tent混沌映射与淘汰机制提出了改进的IGWO算法,并对XGB-KG模型超参数进行优化。实验结果表明,本文提出的IGWO-XGB-KG方法在贷款违约预测任务中较XGBoost的F1分数与AUC分数分别提升了5.5%、3.6%。综上所述,本文为贷款违约预测任务中多源数据的关联和知识图谱的应用提供了参考,所构建的贷款违约预测模型取得了较好的分类效果,能够准确、高效地识别出潜在违约的贷款,可以为金融领域的风险管理提供参考依据,对于维护金融资金安全具有重要意义。

基于混合神经网络的无人帆船风速风向预测研究

这是一篇关于风速预测,风向预测,混合神经网络,卷积神经网络,长短期记忆神经网络,网格搜索算法,灰狼优化算法,无人帆船的论文, 主要内容为近年来无人帆船以其绿色环保、自给自足的特点被广泛应用在多个领域,如海洋数据监测、水域数据采集等。风速、风向数据是影响无人帆船航行性能和决策至关重要的因素,准确的预测未来时刻的风速、风向数据,对无人帆船的安全性、性能以及决策具有重要意义。因此,针对风速、风向预测展开系统深入的研究,具有一定的理论意义和工程价值。本文以风速、风向预测问题为导向,基于深度学习神经网络模型方法,分别进行了单维输入单模型风速预测,多维输入混合模型多步风速预测以及单维输入多模型风向预测三部分研究工作。首先,针对传统时间序列分析方法在非线性较强的风速数据上表现不佳的问题,设计了基于长短期记忆(long short-term memory,LSTM)神经网络的风速预测方案。该方案主要由两部分组成,分别是数据处理模块和LSTM神经网络模块,数据处理模块负责原始数据的提取、预处理以及时间序列化。LSTM神经网络模块负责学习输入风速历史序列和输出之间的映射关系,提取未来时刻风速数据与历史序列中的时间依赖关系。为了能够全面评估LSTM方案的预测性能,使用均方根误差(root mean squared error,RMSE)和平均绝对误差(mean absolute error,MAE)评估指标量化模型预测误差,并开发了人工神经网络(artificial neural network,ANN)和循环神经网络(recurrent neural network,RNN)模型作为基准模型,在三个来自不同基站的数据集上进行实验。实验结果表明LSTM预测方案在大部分预测点上具有良好的预测精度。其次,从现实角度来看,自然界风受多种因素影响,考虑到其他因素数据能够为模型提供更多有效信息以及混合模型相比较于单一模型具有更好的鲁棒性,本文设计了一种新颖的基于卷积神经网络(convolutional neural network,CNN)和LSTM的混合神经网络(CNN-LSTM)多步风速预测方案。该方案引入了多维输入数据,充分发挥了CNN在提取空间特征的强大能力和LSTM在分析时间序列特征的优异性能。在超参数优化方面,本文基于网格搜索算法提出了多步网格搜索,提升了超参数的搜索精度。在模型预测性能评估方面,引入了相关系数(correlation coefficient,CC)和R2指标来评估模型的拟合能力。此外,开发了ANN、RNN、LSTM、CNN四种预测模型作为基准模型,在三个不同的数据集上进行实验。实验结果表明,在每一项测试中CNN-LSTM在绝大多数预测点上均具有更好的精度,在处理不同数据分布的情况下表现出了良好的稳定性。最后,针对风向数据的特殊性,提出使用数据分解的方法解决风向数据从极坐标中转换为数值表示形式所存在的数值突变问题,设计了双LSTM(Double LSTM,DLSTM)混合模型对风向数据各分量以并行的方式进行预测。在超参数优化方面,为了平衡搜索精度和速度问题,本文引入了灰狼优化算法来确定超参数。在模型预测性能评估方面,基于常规RMSE和MAE计算方式进行了相应的调整,使其能够更好地评估真实风向数据和预测值之间的误差情况。此外,开发了两种其他风向预测方案作为对比,实验结果表明,基于灰狼算法优化的DLSTM风向预测方案具有优秀的预测精度,且在数据波动较为严重的时间点上也能较好地预测出风向数据的变化趋势。

基于改进灰狼算法的微服务容器调度多目标优化问题

这是一篇关于微服务容器调度,灰狼优化算法,多目标优化算法,帕累托理论的论文, 主要内容为近年来,随着微服务和容器技术的发展,基于微服务容器调度的研究也越来越受到重视,在该领域中,如何使物理节点和被分配在物理节点中的容器实例在集群中达到负载均衡、系统开销最小化、系统可靠性更高,是目前的主要研究问题之一。本文旨在优化微服务容器调度的多目标问题,虽然在容器调度方面的问题已经有了一些解决方案,但大部分解决方案并没有考虑到微服务容器实例间的位置关系,存在着寻优速度慢、对模型的描述不全面、内存占用多、算法容易陷入局部最优等问题。因此,本文基于微服务容器实例之间的位置关系,把容器调度问题转变为多目标优化问题提出了多目标优化模型(Multi-objective Optimization TBF Model,MO-TBF),由于灰狼优化算法具有参数少,寻优能力强,不易陷入局部最优的优点,所以本文基于传统的灰狼优化算法,提出了一种新的多目标灰狼算法(Shuffle Dynamics Multi-objective Grey Wolf Optimization Algorithm,SD-MOGWO)用来解决该问题,在与ACO-CMS、GA-MOCA、Spread算法进行对比后发现本文所提出的算法效果更好。本文的贡献主要有2点:(1)MO-TBF模型:该模型对现有的解决方法中的模型进行了改进,针对现有模型中没有考虑到容器间位置关系,即微服务容器实例是否被分配到同一物理节点的问题进行建模。引入了负载不均衡率的概念,使得算法在求解模型时能够寻找到更好的容器调度方案,在网络传输开销、集群负载均衡和系统可靠性三个方面提出了优化目标函数,并且把三个优化目标函数整合成一个新的总体目标函数即MO-TBF模型。(2)SD-MOGWO算法:本文在传统的灰狼优化算法(GWO)的基础上,针对微服务容器调度的多目标优化问题,引入了混合跳蛙算法的memeplex分组策略,使GWO算法能够实现并行寻优。还引入了进化种群动力学(EPD)的概念使得每次寻优都能够去掉适应度较差的一半个体,保留较好的一半,还对灰狼的位置更新加入了权重参数,使算法的性能得到进一步的提升,实验表明,和其他算法的效果相比该算法的效果有着明显的提升。

基于改进灰狼算法的微服务容器调度多目标优化问题

这是一篇关于微服务容器调度,灰狼优化算法,多目标优化算法,帕累托理论的论文, 主要内容为近年来,随着微服务和容器技术的发展,基于微服务容器调度的研究也越来越受到重视,在该领域中,如何使物理节点和被分配在物理节点中的容器实例在集群中达到负载均衡、系统开销最小化、系统可靠性更高,是目前的主要研究问题之一。本文旨在优化微服务容器调度的多目标问题,虽然在容器调度方面的问题已经有了一些解决方案,但大部分解决方案并没有考虑到微服务容器实例间的位置关系,存在着寻优速度慢、对模型的描述不全面、内存占用多、算法容易陷入局部最优等问题。因此,本文基于微服务容器实例之间的位置关系,把容器调度问题转变为多目标优化问题提出了多目标优化模型(Multi-objective Optimization TBF Model,MO-TBF),由于灰狼优化算法具有参数少,寻优能力强,不易陷入局部最优的优点,所以本文基于传统的灰狼优化算法,提出了一种新的多目标灰狼算法(Shuffle Dynamics Multi-objective Grey Wolf Optimization Algorithm,SD-MOGWO)用来解决该问题,在与ACO-CMS、GA-MOCA、Spread算法进行对比后发现本文所提出的算法效果更好。本文的贡献主要有2点:(1)MO-TBF模型:该模型对现有的解决方法中的模型进行了改进,针对现有模型中没有考虑到容器间位置关系,即微服务容器实例是否被分配到同一物理节点的问题进行建模。引入了负载不均衡率的概念,使得算法在求解模型时能够寻找到更好的容器调度方案,在网络传输开销、集群负载均衡和系统可靠性三个方面提出了优化目标函数,并且把三个优化目标函数整合成一个新的总体目标函数即MO-TBF模型。(2)SD-MOGWO算法:本文在传统的灰狼优化算法(GWO)的基础上,针对微服务容器调度的多目标优化问题,引入了混合跳蛙算法的memeplex分组策略,使GWO算法能够实现并行寻优。还引入了进化种群动力学(EPD)的概念使得每次寻优都能够去掉适应度较差的一半个体,保留较好的一半,还对灰狼的位置更新加入了权重参数,使算法的性能得到进一步的提升,实验表明,和其他算法的效果相比该算法的效果有着明显的提升。

面向生产过程的异烟酸收率预测系统设计与实现

这是一篇关于异烟酸,灰狼优化算法,GWO-BP,随机森林重要度,SpringBoot,Vue,预测系统的论文, 主要内容为近年来,随着大数据技术和智能优化算法的迅速发展,工业生产数据的价值引起人们的广泛关注。异烟酸是一种重要的医药中间体,用于合成抗结核药物,同时也可以作为抗腐蚀剂、电镀添加剂等,具有广阔的应用前景。针对异烟酸生产中存在收率预测依靠人工经验、预测准确率低等问题,本文搭建一套使用异烟酸生产数据来预测收率的可视化系统,可以提高生产效率优化生产过程。本文的主要工作如下:(1)分析异烟酸生产数据集,对数据集中的缺失值、异常值进行处理,并结合生产过程及相关性分析进行特征降维,随机森林特征重要度进行特征选择。(2)针对传统的BP神经网络在训练过程中容易陷入局部极小值,导致无法达到全局最优解,从而影响其准确性和泛化能力的问题,提出一种改进的GWO-BP网络模型。基本思想是灰狼算法的位置信息作为BP神经网络的权值和阈值,随着灰狼位置的不断变化,BP神经网络算法的权值和阈值也在不断更新,灰狼的最佳位置也就是BP神经网络寻找的最优解,最终构建GWO-BP神经网络模型来预测异烟酸收率。(3)通过对比实验,对比分析GWO-BP、GA-BP、BP这三种异烟酸预测模型,选取合适的模型作为本系统的预测模型。(4)根据需求分析设计了系统的结构和功能模块。使用Spring Boot框架开发系统的后端业务功能,Vue作为开发系统的前端框架,Element UI组件化开发,Redis作为系统的缓存,Mybatis-plus来进行数据持久化,在系统的收率预测模块中解决了在Java中调用Matlab中已经训练好的预测模型,最终开发并实现了异烟酸收率预测系统。

基于改进灰狼算法的微服务容器调度多目标优化问题

这是一篇关于微服务容器调度,灰狼优化算法,多目标优化算法,帕累托理论的论文, 主要内容为近年来,随着微服务和容器技术的发展,基于微服务容器调度的研究也越来越受到重视,在该领域中,如何使物理节点和被分配在物理节点中的容器实例在集群中达到负载均衡、系统开销最小化、系统可靠性更高,是目前的主要研究问题之一。本文旨在优化微服务容器调度的多目标问题,虽然在容器调度方面的问题已经有了一些解决方案,但大部分解决方案并没有考虑到微服务容器实例间的位置关系,存在着寻优速度慢、对模型的描述不全面、内存占用多、算法容易陷入局部最优等问题。因此,本文基于微服务容器实例之间的位置关系,把容器调度问题转变为多目标优化问题提出了多目标优化模型(Multi-objective Optimization TBF Model,MO-TBF),由于灰狼优化算法具有参数少,寻优能力强,不易陷入局部最优的优点,所以本文基于传统的灰狼优化算法,提出了一种新的多目标灰狼算法(Shuffle Dynamics Multi-objective Grey Wolf Optimization Algorithm,SD-MOGWO)用来解决该问题,在与ACO-CMS、GA-MOCA、Spread算法进行对比后发现本文所提出的算法效果更好。本文的贡献主要有2点:(1)MO-TBF模型:该模型对现有的解决方法中的模型进行了改进,针对现有模型中没有考虑到容器间位置关系,即微服务容器实例是否被分配到同一物理节点的问题进行建模。引入了负载不均衡率的概念,使得算法在求解模型时能够寻找到更好的容器调度方案,在网络传输开销、集群负载均衡和系统可靠性三个方面提出了优化目标函数,并且把三个优化目标函数整合成一个新的总体目标函数即MO-TBF模型。(2)SD-MOGWO算法:本文在传统的灰狼优化算法(GWO)的基础上,针对微服务容器调度的多目标优化问题,引入了混合跳蛙算法的memeplex分组策略,使GWO算法能够实现并行寻优。还引入了进化种群动力学(EPD)的概念使得每次寻优都能够去掉适应度较差的一半个体,保留较好的一半,还对灰狼的位置更新加入了权重参数,使算法的性能得到进一步的提升,实验表明,和其他算法的效果相比该算法的效果有着明显的提升。