检索结果-内蒙古大学图书馆

气象与环境科学 2025年第1期48卷 78-87页

作者：周绍妮吴优窦雨菡郑奕扬北京交通大学经济管理学院北京100044

准确的中长期电力负荷预测对电力系统的规划和运行至关重要。由于传统方法在非线性特性处理和时序依赖建模方面存在局限,难以全面捕捉负荷数据的复杂特征,因而提出了一种基于残差网络和注意力机制的ra-lstm模型。模型通过引入残差连接,... 详细信息

准确的中长期电力负荷预测对电力系统的规划和运行至关重要。由于传统方法在非线性特性处理和时序依赖建模方面存在局限,难以全面捕捉负荷数据的复杂特征,因而提出了一种基于残差网络和注意力机制的ra-lstm模型。模型通过引入残差连接,缓解梯度消失问题,增强了模型对长时序依赖特征的捕捉能力;同时融合注意力机制,增强了对关键时间点和特征的敏感性。以山西省为案例,构建了融合时间特征和气象要素的数据集,对ra-lstm模型进行了全面评估。实验结果表明,ra-lstm模型在均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及决定系数(R^(2))等指标上均显著优于基准BP模型和传统lstm模型。ra-lstm模型的MAPE、MAE较BP模型的分别降低了41.8%、40.9%,显著提升了模型的预测精度和稳定性。显著性检验结果进一步验证了ra-lstm模型预测结果的科学性,为中长期电力负荷预测提供了一种高效且稳健的解决方案,并为未来探索多特征融合和模型优化提供了理论和实践基础。

关键词：中长期电力负荷预测 ra-lstm模型残差网络注意力机制深度学习

来源：评论

学校读者我要写书评

暂无评论

基于改进SEIR模型和lstm模型的新冠传播预测

基于改进SEIR模型和LSTM模型的新冠传播预测

引用

作者：许令轩大连理工大学

学位级别：硕士

新型冠状病毒肺炎（COVID-19）疫情正在全球蔓延,其是一种传播迅速并危及人类健康的传染病,直至2021年新冠肺炎疫情仍在许多国家和地区迅速蔓延。因此迫切需要对新冠肺炎的发展和蔓延趋势进行研究,以开发出长期预测模型来预测未来病例... 详细信息

新型冠状病毒肺炎（COVID-19）疫情正在全球蔓延,其是一种传播迅速并危及人类健康的传染病,直至2021年新冠肺炎疫情仍在许多国家和地区迅速蔓延。因此迫切需要对新冠肺炎的发展和蔓延趋势进行研究,以开发出长期预测模型来预测未来病例的数量,预测疫情何时可能出现拐点,以及分析政府出台的一系列防控措施对疫情防控的影响,而这些防控措施同时也对国家的经济造成了影响,为了探究这些措施是否产生了影响以及该维持多久,分析和预测疫情的发展趋势是至关重要的。本文数据源采用的是中国卫健委和约翰斯·霍普金斯大学提供的流行病学数据。目前多数新冠疫情预测模型都只使用累计确诊人数来进行训练,而这导致训练出来的模型只能预测疫情的上升趋势,而无法预测疫情何时可能出现拐点,因此本文第三章使用SEIRD模型预测疫情发展趋势以及可能出现拐点的时间,第四章基于的长短期记忆网络（lstm）以每日新增病例数训练集和以“COVID-19”为关键字的Google趋势建立了一个新冠肺炎传播趋势预测模型。第二,大多数预测方法都是基于历史累计确诊人数来训练模型,并未考虑输入序列的实时更新,然而,当前时刻的预测很可能对下一时刻的预测的准确性方面有着一定的影响,因此采用滚动更新机制,即使用当前预测结果来实时更新输入序列,进行长期精确的预测。第三,考虑到不同时间点的历史数据对当前预测时间点的数据的贡献不同,引入了注意力机制,通过加入注意力机制赋予输入影响权重,突出有效特征,提高预测精度。第四,采用SEIRD模型,通过控制接触率来改变干预程度,体现防控的意义。本文设计的SEIRD模型（Susceptible-Exposed-Infected-Recovery-Death model）基于基础的SEIR模型（Susceptible-Exposed-Infected-Removed model）,但是将基础的SEIR模型中的移除者群体R细分为了痊愈者群体R+死亡者群体D,并且使用模拟退火算法和基本再生数R0来进行参数估计,在预测湖北省疫情时,本文提出的SEIRD模型的预测误差率为6.67%,Yang Zifeng等人提出的嵌入了迁入、迁出人数的SEIR模型的预测误差率为12.56%。在预测伊朗和秘鲁的新冠疫情确诊人数时,本文提出的基于滚动更新机制和注意力机制的ra-lstm模型（Rolling-Update Attention Long Short-Term Memory）的预测平均绝对误差率百分比为2.45%,Wang Pei Pei等人提出的改进lstm模型的预测平均绝对误差率百分比为4.69%,本文提出的ra-lstm的性能有着优势。

关键词：新冠疫情预测 SEIRD模型 ra-lstm模型滚动更新机制注意力机制

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：