旅游产品大多具有易腐性,不能长期储存,且旅游资源分配和实际游客人数存在不均衡情况,从而造成大量旅游资源的浪费,所以准确的旅游需求量预测是非常重要的。本文针对旅游需求量的预测进行研究,从而提出旅游预测模型以提高预测精度,主要研究工作如下:1.针对传统机器学习模型难以挖掘多变量旅游数据中复杂关系的问题,提出基于LSTM的自编码器(Autoencoder based on LSTM)预测模型即AE-LSTM模型,此模型分为基于LSTM的自编码器预训练阶段和微调阶段。在AE-LSTM模型的基础上,将基于LSTM的自编码器深入的堆叠起来,以保证每个自编码器训练出的隐藏层参数是局部最优的,从而提出基于LSTM的堆叠自编码器(Stacked autoencoder based on LSTM)预测模型即SAE-LSTM模型。2.针对LSTM在输入序列过长时仍然会丢失部分旅游数据的缺点,在SAE-LSTM模型的基础上引入注意力机制(Attention Mechanism),构建Attention-SAE-LSTM预测模型,其优势在于可以提取重要旅游信息。3.将本文提出的模型应用在澳门数据集上,并加入LSTM、堆叠LSTM作为基准模型,实验表明AE-LSTM及SAE-LSTM模型预测效果优于基准模型,且Attention-SAE-LSTM模型预测效果优于AE-LSTM及SAE-LSTM模型。此外利用注意力分数对旅游影响因素进行分析。本文通过实验证明Attention-SAE-LSTM模型在旅游量预测中的预测能力,有助于相关旅游部门提前了解客流量分布情况,从而做出科学的决策。
针对传统方法下锂离子电池剩余寿命预测精度低,提出一种基于堆叠自编码器(stacked autoencoder,SAE)下集合经验模态分解(ensembleempiricalmode decomposition,EEMD)和门控循环单元神经网络(gated recurrent unit neural network,GRU)...
详细信息
针对传统方法下锂离子电池剩余寿命预测精度低,提出一种基于堆叠自编码器(stacked autoencoder,SAE)下集合经验模态分解(ensembleempiricalmode decomposition,EEMD)和门控循环单元神经网络(gated recurrent unit neural network,GRU)组合而成的SAEEEMD-GRU(SEG)预测方法。应用SAE深层特征表达能力,对六个电池参数进行去噪、降维,重构出一个集中包含电池退化特性的融合健康因子,并利用EEMD不平稳信号分析算法将融合健康因子进行分解,获得若干个子序列。根据GRU网络时间序列分析能力,对子序列分别建立GRU模型并叠加重构,进一步提高锂离子电池剩余寿命的预测精度。最后采用PCoE(NASA ames prognostics center of excellence)电池数据集,与SAE-GRU方法及GRU方法进行对比实验,实验结果表明了SAE-EEMD-GRU(SEG)预测方法可以有效提高锂电池剩余寿命预测精度,并使预测误差RMSE,MAE控制在2%以下。
暂无评论