搜索到42152篇“ INFORMER“的相关文章
- 基于PCA-Informer+模型的周期性甲烷菌体浓度预测研究
- 2025年
- 厌氧发酵是一种重要的生物技术,然而现有的检测技术无法实时测量发酵周期中甲烷菌体的浓度值,导致难以准确监测发酵状态.针对此问题,提出了基于改进Informer深度学习模型的周期性甲烷菌体浓度预测方法.首先,基于Informer构建基础预测模型;其次,利用PCA主成分分析,将特征变量从8维降低至3维,优化模型的输入,提高预测效率;然后,根据周期中每个时间点的重要性建模设计WeightedMSELoss损失函数,以更好地适应周期性甲烷菌体浓度预测任务;最后,融合特征变量、位置编码和周期编码,提高模型捕获长期依赖的能力.实验结果表明:Informer相较于长短期记忆网络(LSTM)、循环神经网络(RNN)、门控循环单元(GRU)在周期性甲烷菌体浓度预测任务上效果最好,且基于Informer改进的PCA-Informer+模型,平均绝对误差(MAE)、均方根误差(RMSE)相较于原Informer模型分别下降了26%、11%,模型效率提高了18%,实现了较为快速准确的甲烷菌体浓度预测.
- 杨帆毛腾跃占伟
- 关键词：主成分分析
- 基于情感分析和Informer的股票预测方法
- 2025年
- 针对股票价格受复杂因素及投资者情绪影响导致的预测难题,提出了一种融合情感分析与Informer模型的股票价格预测方法。首先,运用AdaBoost模型从大量数据中提取关键特征变量,以降低模型过拟合的风险。其次,构建金融情感词典,对通过网络爬虫获取的金融文本数据进行情感分析,并计算情绪指数。最后,利用Informer模型对中信证券、华泰证券、东方财富三只具有代表性的证券龙头股票进行预测。评估结果显示,该方法有效提升了预测的准确性,验证了其有效性和实用性。
- 倪学曜
- 关键词：情感分析股票预测
- 基于MIC-Informer-DLinear的电梯故障预测方法
- 2025年
- 针对现有电梯故障预测方法存在特征冗余、预测精度难以提高等问题,提出一种基于MIC-Informer-DLinear的电梯故障预测方法。该方法首先利用最大互信息系数分析不同电梯运行数据特征与电梯故障之间的相关关系,确定相关性显著的电梯故障影响因素,之后采用Informer模型对相关性提取后的电梯运行数据进行特征提取;其次采用DLinear模型对特征提取后的数据进行特征重构;最后采用softmax分类器对特征重构后的数据进行故障分类预测。为证明模型的有效性,将该模型的预测准确率与DLinear、Informer、CBAM、STAEformer、Transformer和LSTM模型的预测准确率进行对比。实验表明,该模型的预测准确率较上述模型分别提高2.6%、3.6%、4.2%、4.5%、5.5%和8.9%。
- 单景东王晨张欢张欢
- 关键词：故障预测INFORMER
- 基于Informer神经网络的福建省货运量预测
- 2025年
- 为准确预测货运量,以福建省货运量为研究对象,分别从产业结构水平、经济发展水平、物流发展水平和人文因素等4个方面选取货运量的主要影响因素,以1978—2022年福建省货运量及货运量影响因素数据构建数据集,基于Informer神经网络构建货运量预测模型,通过交叉验证法训练模型,同时采用长短时记忆(long short-term memory,LSTM)神经网络和Transformer神经网络预测福建省货运量,对比三者预测结果的准确性。结果表明:Informer神经网络模型测试集预测结果的平均相对误差为3.75%,LSTM和Transformer神经网络模型预测结果的平均相对误差略高,分别为4.45%、4.38%,Informer神经网络模型的预测结果较准确。采用Informer神经网络模型预测2023年福建省的货运量为184289.0万t,比2022年增大8.9%。福建省的货运量逐年增大,应不断完善物流配送机制,提高运输效率以满足福建省及周边地区的物流需求。
- 燕学博钟凯彬
- 关键词：货运量
- 基于SVMD-FE和改进Informer的短期负荷预测
- 2025年
- 针对电力负荷非平稳性导致负荷预测精度低的问题,采用改进Informer模型对经过逐次变分模态分解(sequential variational mode decomposition, SVMD)算法和模糊熵(fuzzy entropy, FE)综合处理后的子序列进行预测,构建了SVMD-FE和改进Informer的预测模型。首先,采用SVMD算法对负荷数据进行分解,降低数据的非平稳性,利用FE算法对分解后的各子序列进行熵值重组;其次,在Informer模型中引入相对位置编码取代传统的绝对位置编码,以捕获序列数据内部的依赖关系,避免信息泄漏;再次,采用扩展因果卷积代替正则卷积来增加接收和增强局部信息提取。最后,结合某市负荷数据对比验证多种深度学习模型预测效果,结果表明该模型具有更高精度的短期负荷预测能力。
- 印文博谷卫
- 关键词：短期负荷预测
- 基于Auto-Informer模型的短期风电功率预测研究
- 2025年
- 准确的短期风电功率预测对于保障风力发电系统与电网的安全稳定运行具有重要意义。由于风速受季节变化、昼夜交替等因素的影响,风力的发电功率呈现出周期性变化的特点。因此,为了高效捕捉时间点之间的周期依赖关系,提出一种基于Auto-Informer模型的短期风电功率预测方法。该模型将自相关系数计算方法融入稀疏概率自注意力机制中,进而提升对相邻时间点之间周期依赖的捕捉能力,使模型能够更好地提取局部周期信息,同时增强模型的稳定度。在某地区的风电场数据基础上进行仿真验证,实验结果表明,与目前主流的预测模型相比,所提出的模型在预测不同短期序列时,均方误差、平均绝对误差均有所改善,短期预测风电功率的准确性得以提高。该结果验证了模型的有效性。
- 杨宏孟令蛟张铁峰
- 关键词：风电功率预测
- 线性分解和周期增强Informer的太阳辐射短临预报研究
- 2025年
- 针对辐射周期趋势及外部影响特征捕获不足的问题,提出一种线性分解和周期增强Informer的地表太阳辐射短临预报方法。首先,改进灰色关联度方法,获取历史辐射与多种外部气象因素关联度,提取16种高相关外部气象特征建立高关联特征集,强化捕捉辐射与气象因素之间的复杂关系的能力;其次,在基于Transformer解决方案的基础上引入周期性嵌入层和ReLU激活函数,为模型提供更准确、合理的周期时间特征和辐射变化区间。最后,在Informer后增加平滑序列分解线性层,将Autoformer中的分解方案和FEDformer中的线性层相结合,进一步增强捕捉时序数据中周期性和季节性成分的能力。实验结果表明:该IDL方法结合外部气象特征能极好地提高模型短临预报效果,精度高于近年来基于Transformer系列的解决方案;比DLinear均方误差最高减少30.6%。
- 姚蕊刘小芳
- 关键词：太阳辐射INFORMERTRANSFORMER
- 融合滑动窗口和Informer网络的渔船轨迹预测方法
- 2025年
- 为了实现渔船作业行驶轨迹的精准预测,进而完成对驶入禁锚区的渔船进行警告的需求,该文提出基于融合滑动窗口和Informer网络的渔船轨迹预测方法(SIFP)。首先,对AIS数据进行预处理,通过在窗口内计算均值或中值等统计量,从而降低噪声的影响,获得更稳定和准确的轨迹信息;其次,采用滑动窗口扩充预测模型的数据量,满足预测模型对数据量的需求;最后,基于Informer模型完成渔船轨迹的精准预测,为禁锚预警提供数据支持。实验结果表明,SIFP模型的MAE、MAPE较Transformer网络模型分别提高了0.02%和0.08%,较LSTM网络模型分别提高了0.04%和0.18%,较BP网络模型分别提高了1.47%和2.14%,证明了SIFP模型在轨迹预测问题上的有效性。
- 郭洋李想李响凝
- 关键词：AIS数据
- 基于Informer超参数优化模型的负荷特性预测方法
- 本发明涉及电力系统负荷预测技术领域，公开了一种基于Informer超参数优化模型的负荷特性预测方法，首先获取供电公司地区长时间的天气和电网数据并进行预处理，得负荷数据对应的特征数据集，并将负荷数据对应的特征数据集进行归一...
- 万志军李飞杨文武李莉李让熙林义源何辅胜董治君邹定江杨莎
- 一种基于KAN-Informer的耦合系统频率响应模型建模方法
- 本发明公开了一种基于KAN‑Informer神经网络的耦合系统频率响应模型建模方法，该方法属于电力系统频率响应模型的建模领域，主要应用于建立风光火储耦合系统频率响应模型。针对耦合系统时变、非线性、不确定性、间歇性等复杂的...
- 张建华黄德豪王永岳胡运龙钱璐程小轩
