一、Traffic Flow Prediction with Big Data:A deep Learning Approach

-摘要：淺層交通模型已經不能滿足真實世界的應用，提出了一種同時考慮時間和空間內在聯系的基于深度學習的預測方法。堆疊自編碼器模型采用貪婪分層的方式，學習產生的交通流量特點。實驗證明本文提出的方法在交通流量預測方面有很高的性能。

-1.介紹：交通流量預測主要依賴于歷史數據和來自各種傳感器的實時數據（感應渦流、雷達、相機、GPS、社交媒體）。現有的交通流量預測系統和模型都是采用淺層交通模型，預測效果差。
?? ?深度學習是機器學習的一種方法，現在已經被成功應用到分類任務、自然語言處理、維數約簡、目標檢測、運動建模方向等等。
?? ?深度學習算法不用先驗知識就能代表交通流量的特點，并且在流量預測方面性能很好。

-2.文獻綜述：早在1970年，自回歸綜合移動平均 (ARIMA) 模型用于預測短期高速公路交通流量 。之前的預測方法大致可以被分為3類：參數化方法、非參數化方法以及模擬。參數化方法可以分為時間序列方法，卡爾曼濾波方法等。非參數化方法包括K最鄰近方法（k-NN）、人工神經網絡（ANNs）等。模擬方法則使用交通模擬工具預測交通流量。
?? ?現有的一些ARIMA方法的應用及改進
?? ?現有文獻中的一些其他的預測交通流量的方法
?? ?現有文獻中提出的一些整合方法預測交通流量
?? ?總結：很難說現有的某個方法在任何方面都優于其他方法。一個原因是所提出的模型是用少量單獨的特定交通數據開發的，交通流預測方法的準確性取決于嵌入在收集的時空交通數據中的交通流特征

?

-3.方法論
?? ?A自編碼器：自編碼器是一個試圖重現其輸入的神經網絡，即目標輸出就是模型的輸入。自編碼器的一個問題就是如果隱藏層的大小與輸入層相同或大于輸入層，則這種方法可能會學習恒等函數。如果自編碼器的輸入層比隱藏層多，就沒有問題了。
?? ?B稀疏自編碼：SAE模型是通過將下層自動編碼器的輸出作為當前層的輸入，通過堆疊自動編碼器形成深度網絡來創建的。得到第一個隱藏層后將第k個隱藏層的輸出作為第（k+1）個隱藏層的輸入。多個自編碼器可以分層堆疊。
?? ??? ?頂層的標準預測器用的是邏輯回歸層
?? ?C訓練算法：使用貪婪逐層無監督學習算法的關鍵在于以自底向上的方式逐層預訓練深度網絡。預訓練階段之后使用BP進行微調，自上而下的調整模型參數。
?? ??? ?訓練算法具體步驟

?

-4.實驗：數據來自Caltrans Performance Measurement System (PeMS)數據庫，交通數據每30s從15000個單獨的探測器收集一次，探測器在全州范圍內部署在加利福尼亞告訴公路系統中。
?? ?a.數據集：前兩個月的數據作為訓練集，選取剩余一個月的數據作為測試集。
?? ?b.性能指標：平均絕對誤差（MAE）、平均相對誤差（MRE）、RMS誤差（）
?? ?c.確定SAE模型的結構：確定輸入層的大小，隱藏層的數量，以及每個隱藏層的隱藏單元的數量。
?? ??? ?空間相關性：使用從所有高速公路收集的數據作為輸入，可以從交通網絡的角度構建模型。
?? ??? ?時間相關性：為了預測時間間隔t的交通流，我們應該使用之前時間間隔的交通流數據。
?? ??? ?本文提出的模型來預測15分鐘交通流量、30分鐘交通流量、45分鐘交通流量和60分鐘交通流量
?? ??? ?15分鐘交通流預測，三個隱藏層構成，每個隱藏層的隱藏單元數為（400，400，400）；30分鐘預測，三個隱藏層構成，每個隱藏層隱藏單元數（200，200，200）；45分鐘預測，兩個隱藏層；60分鐘預測四個隱藏層，每個隱藏層單元（300，300，300，300）
?? ?d.結果：在重、中等級的交通流量下預測效果較好，在低等級交通流量下預測效果不是很好
?? ??? ?將提出的SAE模型與隨機游走（RW）預測方法、支持向量機（SVM）方法和徑向基函數（RBF）NN模型進行了性能比較。在這四種競爭方法中，RW 方法是一個簡單的基線，可以將未來的交通量預測為等于當前交通流量 (Xt+1 = Xt )，NN 方法在交通流量預測方面具有良好的性能，如第 II部分。SVM方法是一種比較先進的預測模型。
?? ??? ?只使用了交通流量數據作為輸入，而沒有考慮人工工程因素，例如天氣、事故等與交通流量有關的參數。。
?? ??? ?通過圖表展示對比其他方法的結果，證明SAE的預測比較準確。
-5.結論：總結與展望

二、基于大數據新能源發電預測的電力系統調度方法

-摘要：在大數據分析預測基礎上，提出提前15分鐘電網調度方法。
?? ?首先數據分析構建模型；其次預測風電、光伏調度值，最后得出新能源電源負荷配比

-1.引言：目前大數據在電力系統中的應用體現在：用戶與電網互動、電網設備在全區域內的覆蓋、分布式電源出力預測及儲能設備的選址。

-2.新能源大數據分析

-3.基于新能源發電預測的調度方法
?? ?人工神經網絡，應用于信號處理、模式識別以及負荷預測等領域。
?? ??? ?網絡結構分為：前饋網絡、有反饋的前饋網絡、前饋內層互聯網絡、反饋型全互聯網絡和反饋型局部鏈接網絡。
?? ?建模過程
?? ??? ?（1）建模數據歸一化處理：將有量綱的量轉換為無量綱的量
?? ??? ?（2）網絡隱層結構確定：三層BP神經網絡中單隱層的網絡結構
?? ??? ?（3）輸出層神經元個數確定：神經元數量與網絡訓練的精度和計算機硬件條件成正比。本文選擇輸出層有6個神經元。
?? ??? ?（4）建立訓練和測試樣本：模型訓練和測試樣本容量包括當前時刻及前一時刻的時間序列數據。訓練和測試目標為為下一時刻的數據。
?? ??? ?（5）得出下一時刻電網調度方案：模型建立后，輸入當前時刻及前一時刻的歷史運行數據，得出下一時刻的計劃。
-4.算例分析
?? ??? ?采用平均絕對百分比（MAPE）分析精度

?

?

總結

以上是生活随笔為你收集整理的深度学习-模型预测（论文笔记）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。