基于卷积神经网络及长短时记忆网络的短时船舶交通流量预测

由于船舶交通流具有非线性和复杂性的特征,传统交通流量预测方法的预测结果精度普遍不高,且需大量历史数据进行训练。在考虑船舶交通流数据时间特性的基础上增加了对数据空间特性的考虑,提出一种基于卷积神经网络(Convolutional Neural Networks, CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的短时船舶交通流量预测模型,并引入动态时间规整(Dynamic Time Warping, DTW)算法构造损失函数,提升模型的预测精度。结果表明：通过与灰色模型(Grey Model, GM)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model, ARIMA)、小波神经网络(Wavelet Neural Network, WNN)、反向传播神经网络(Back Propagation Neural Network, BPNN)和CNN-LSTM等模型对比,所提出的CNN-LSTM-DTW预测模型的预测结果相对误差最小,可信度高,预测精度优于对比模型。     

基于卷积和循环网络的水声信号联合特征表示和识别方法

传统的水声信号识别方法是将特征提取和分类识别分开进行处理的,影响了水声信号识别的整体性能。本文根据水声信号的特点,结合一维卷积网络（1DCNN）的卷积运算、时间平移不变性和门控循环网络(GRU)内部充分考虑时序相关性的记忆能力等优势,将一维卷积网络和门控循环网络进行串联中并对网络参数和模型结构进行优化,自适应提取特征给出分类结果,并与单独使用1DCNN和GRU网络模型的分类性能进行对比。结果表明,本文提出的网络对水声信号的识别准确率最高。     

基于LSTM-GRU模型的船体结构应力预测分析

船体结构应力预测对船舶航行安全具有重要意义,然而由于船体结构应力数据具有强随机性,传统方法难以有效准确地对其进行预测。为解决这一问题,采用对非线性关系具有很强拟合能力的长短期记忆网络（LSTM）和门控循环单元（GRU）组合方法对船体结构应力数据进行预测,并通过模型试验验证该方法的稳定性和可行性。结果表明,相比传统的循环神经网络（RNN）模型和单个预测模型,该组合模型在预测精度和效果方面都有明显优势,能够有效预测船体结构应力。其中,预测值与实际值的误差保持在3%以内,决定系数为0.91。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。     

基于二维矩阵分解的船舶交通流预测

为克服船舶交通流的非线性和非平稳性特点造成的预测精度不高的问题,提出了一种融合二维经验模式分解(Bidimensional Empirical Mode Decomposition, BEMD)和时序正则化矩阵分解(Temporal regularized matrix factorization, TRMF)的船舶交通流预测方法。首先,将传统一维船舶交通流时序数据重整为二维交通流量时序矩阵(天×时段),再利用BEMD将二维交通流量数据分解为高频矩阵和低频矩阵,其中高频矩阵体现突变因素对交通流的影响,低频矩阵体现稳定因素对交通流的影响;接着,采用引入正则时序项的TRMF,分别对高频与低频矩阵进行预测,进而融合得到最终的交通流量预测结果;最后,对比分析BEMD-TRMF、GM(1,1)、ARIMA、BPNN、WNN、LSTM和TRMF预测模型,结果表明BEMD-TRMF模型的平均预测误差约为3%,优于对比模型,达到了较好的预测精度。     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果.为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比.实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点.这为舰船运动短期预测提供了一个新的思路和方法.     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果。为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比。实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点。这为舰船运动短期预测提供了一个新的思路和方法。     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

一种基于Bi-LSTM和MLP融合的滚动轴承剩余寿命预测方法

目前长短期记忆网络(long short-term memory, LSTM)是滚动轴承剩余使用寿命(remaining useful life, RUL)预测的常用方法,但其训练过程中收敛速度慢、波动性剧烈、预测误差大的问题,严重影响其在实际生产中的应用.针对该问题,提出一种双向长短期记忆网络(Bi-directional LSTM, Bi-LSTM)与多层感知机(multilayer perceptron, MLP)融合的预测方法.首先,采用堆叠去噪自编码器(stacked denoising auto encoder, SDAE)对预处理后的滚动轴承振动信号进行特征提取;其次构建Bi-LSTM网络与多层感知机融合的多种预测模型,并通过实验获取较优模型;最后使用较优模型对其剩余寿命进行预测.实验结果表明,相对LSTM,Bi-LSTM,以及LSTM融合MLP等常用模型,采用文中提出的方法,模型在滚动轴承剩余寿命训练过程中,波动性更低、收敛速度更快,同时预测误差也得到明显降低.     

基于CNN-LSTM的风力发电机组轴承异常检测

为保障风力发电机组的可靠运行,基于数据的机组异常状态检测尤为重要。文章提出一种基于级联深度学习模型的风力发电机组主轴承异常状态检测方法,首先利用风力发电机组机理知识和数据间的相关性选择与主轴承密切相关的参数,然后建立基于卷积神经网络（CNN）和长短记忆网络（LSTM）的观测参数与目标参数的逻辑关系,并且通过均方根误差评估模型预测温度与实际采集温度的差异。最后通过海上某风电场SCADA数据进行算例验证。结果表明：CNN-LSTM模型不仅能够更早得发现主轴承异常状态,还能够发现LSTM发现不了的主轴承异常特征。     

基于卷积神经网络的波浪砰击载荷识别方法

为准确识别波浪砰击载荷，保障海洋平台作业的安全性，基于卷积神经网络（CNN）模型，建立立柱-甲板简化模型的砰击载荷识别方法，根据结构测点应变响应数据对砰击载荷进行识别。通过分析半潜式平台立柱-甲板处砰击载荷分布的特点，进行有限元数值计算，生成训练数据集和测试数据集，同时考虑数据噪声的影响。结果表明：CNN砰击载荷识别模型具有很高的识别精度和良好的抗噪声能力，在无噪声和有噪声情况下，整体精度分别为99.6%和91.9%；相比传统的反向传播神经网络（BPNN）模型，CNN模型的识别精度更高。     

辐射沙洲潮流水道悬沙动力关系BP神经网络模拟研究

根据江苏辐射沙洲东大港水道4^#站位连续2个潮周期的流速、含沙量及水深的时序测量资料，取时序测量（计算）数据中的前21组数据为学习样本，后5组数据为检验样本，建立了该潮流水道的4种输沙BP神经网络动力模型。验证表明，运用BP神经网络模型可以建立精度较高的水体含沙量非线性动力关系，并可利用建立模型进行相应问题的预测计算。     

基于DWT-LSTM的航道水位智能预测模型研究

航道水位信息是内河船舶安全通航、合理配载的决策依据之一.为揭示内河航道水位特征、提高短时预测精度,提出了一种基于小波分析(DWT)和长短时记忆(LSTM)的耦合神经网络模型,以汉口水位站为例,验证了模型有效性,并与传统BP神经网络、小波分析-BP神经网络和LSTM神经网络模型进行对比分析.研究结果表明:四类模型均可满足...     

基于LSTM的滚动轴承寿命预测

针对滚动轴承剩余使用寿命预测难、一般的神经网络预测精度差的问题,提出了一种基于振动信号时域特征,结合滚动轴承理论寿命值和具有处理时序特征功能的LSTM(Long Short-Term Memory,长短期记忆网络)剩余使用寿命预测方法。首先按照时间顺序提取振动信号的均方根值、峰度、偏斜等15个时域特征作为判断滚动轴承退化的特征值;然后将其输入到LSTM中,将网络输出的轴承退化值设定为[0,1],0表示轴承完好,1为完全退化;最后采用滚动轴承理论寿命计算公式,根据滚动轴承的转速和载荷计算滚动轴承的基本额定寿命,结合其理论寿命和退化值得到定量的剩余寿命。试验结果表明,LSTM与理论寿命结合的滚动轴承寿命预测方法相比于一般的神经网络具有较高的预测精度。     

长江口径流来沙量减小对河口含沙量的影响

针对近年来长江流域来沙量大幅减小对长江河口含沙量的影响问题进行统计分析、对比研究。利用大通站来沙量数据,统计分析1950—2011年输沙量的变化,得出长江口近期径流来沙量大幅减少。对长江口各汊道1978—2011年实测含沙量进行统计分析,得知长江口径流来沙量减小对河口含沙量的影响。研究结果表明:1)长江口来沙量减小,使得口内段南支、南港总体含沙量水平明显减小,口外含沙量亦有所减小,但拦门沙区段的含沙量基本不变。减小幅度从内、外两侧向拦门沙降低。2)拦门沙区段水体含沙量主要与河口区滩地泥沙来源丰富、泥沙活动规模大、潮汐动力强以及盐淡水混合综合影响形成河口最大浑浊带等密切相关,上游来沙量减小对该区段含沙量变化规律的影响尚不明显。     

LSTM网络在船舶航行轨迹预测中的应用

针对传统船舶航行轨迹预测算法,计算得到的轨迹预测量的回归适应性差,导致预测结果与实际轨迹之间的误差较大,严重影响船舶航线调度与航行安全的问题,提出LSTM网络在船舶航行轨迹预测中的应用。利用LSTM网络模型的梯度传递特性,建立航行轨迹进行LSTM网络模型,优化轨迹预测学习器预测学习量,采用高斯回归算法,增强预测量的自适应性,减小预测误差,整合网络预测数据,完成轨迹预测输出计算。实验数据表明,提出的预测方法的预测结果与实际轨迹之间的误差较小,能够有效提升轨迹预测精准度。     

不同预测算法在简单交通场景中的应用比较

为探讨不同趋势预测算法在简单交通场景中应用的有效性,以部分高速公路收费站数据集为研究对象,分别采用自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、长短期记忆(Long Short-Term Memory,LSTM)循环神经网络和Prophet时间序列预测算法建立交通流预测模型.通过对比分析发现,3种预测模型在解决交通流预测问题方面均表现良好,相比之下,LSTM在模型拟合和预测精度方面表现更好,泛化能力更强,且在影响因素设置方面更为灵活.在以后的研究中,可采用LSTM,结合调参方法解决更多交通场景下的交通流预测问题.     

基于LSTM-PSO-SVM的船用LNG双燃料发动机故障预测

针对船用LNG双燃料发动机设备复杂,故障预测效率低、准确度差的问题,提出一种长短期记忆网络与改进粒子群优化算法优化支持向量机融合的预测模型。利用LSTM模型时间序列变化的能力对设备未来的运行状态进行预测,然后采用非线性自适应惯性权重改进PSO算法对SVM参数进行寻优,以提高其寻优能力和收敛速度;改进的LSTM-PSO-SVM融合模型可实现对设备故障状态的快速、准确预测。通过对某船用LNG双燃料发动机的故障预测仿真,结果表明上述模型具有更高的故障识别准确率和更快的识别速度,能够准确预测船用LNG双燃料发动机潜在故障。     

基于混合深度学习的燃气轮机动态过程关键参数在线辨识北大核心CSCD

[目的]为克服燃气轮机非线性时变特性对动态控制及性能监测的影响,通过长短期记忆神经网络(LSTM)的时序记忆、非线性关系表达与高斯过程回归(GPR)的区间概率估计能力三者的结合,提出一种基于LSTM-GPR混合深度学习模型的关键动态参数在线辨识算法。[方法]首先,建立燃气轮机的动态机理模型,以燃料热值、压气机效率及负载电力矩为待辨识参数,生成大量训练数据;然后,构建LSTM-GPR参数辨识网络模型,并输入训练数据进行网络训练和权重系数学习;最后,使用训练好的LSTM-GPR混合模型对燃气轮机动态运行参数进行在线辨识,经分析辨识结果来验证所提算法的有效性。[结果]仿真结果表明,所提算法辨识结果准确,误差小于1%,实时性好,相比于LSTM单一模型能获得更好的均值估计效果,并给出可靠的结果置信区间。[结论]所提算法能有效应用于燃气轮机模型的关键动态参数在线辨识,为进一步应用于实际机组奠定了基础。     

高速公路收费站出入口交通流量分析及预测

为充分掌握高速公路收费站的交通流特征,助力智慧高速公路建设,以宁夏回族自治区银川南收费站为研究对象,分别采用图像观测法和科学计算法对其出入口交通流量进行相关性分析,得到二者的相关系数和显著性水平,表明出口流量与入口流量具有极强的相关性。通过傅里叶变换得到收费站交通流量的周期性特征,并运用自相关系数对周期性进行检验。将周期性特征加入长短期记忆(Long Short-Term Memory, LSTM)网络模型中,并基于整年的收费数据和跨年度的收费数据对收费站出入口交通流量进行预测,验证该模型的有效性。结果表明该基于周期性特征的交通流量预测模型能取得良好的预测效果。