关键词： 灾害预测   人工神经网络   机器学习   ELM模型  

摘要： 滑坡是位于中国长江上游的三峡库区最重要的地质灾害之一。三峡库区特殊的多山地形，三峡水库蓄水引起的水位波动和雨水渗入使得滑坡灾害成为库区严重的地质环境问题。由于位于长江两岸山脉上的大部分耕地都集中在老滑坡带，滑坡灾害常常导致大量的人员伤亡和财产损失，甚至影响到长江三峡移民工程的实施。为了降低滑坡带来的危害，加强滑坡监测和预测是十分必要的。滑坡是一种大面积的地面运动现象，岩石崩落，斜坡体的深度破坏和浅泥石流等都属于滑坡的范畴。滑坡演化过程被认为是一个复杂的非线性系统。它主要是由滑坡体内在的能量和斜坡自身的约束条件所决定，但同时也受到复杂多变的外部自然环境因素的影响。例如强降雨，昼夜温差，河流侵蚀，雨雪融化，地震和人类活动。利用传统的线性方法已经难以描述这些复杂环境因素和滑坡体演化之间的关系。因此我们尝试利用先进的计算智能方法，例如人工神经网络(ANNs)，作为工具研究滑坡预测问题。本研究主要内容包括：　　⑴对滑坡位移单时间序列进行了研究，基于”分解与集成”的预测思想，提出了一种改进的基于集成经验模态分解(EEMD)和极限学习机(ELM)的M-EEMD-ELM模型。首先利用EEMD将非线性的滑坡位移监测序列分解为一系列本征模函数(IMFs)和一个残余项函数。然后对除最高频IMF外的其他分解得到的子序列建立ELM预测模型。最后通过简单求和将ELM预测器对各个子序列的预测结果集成为最终的滑坡位移序列预测结果。以三峡库区白水河滑坡为例验证了预测方法的有效性，结果显示在同样的实验条件下，本文提出的M-EEMD-ELM预测模型能够获得比传统的神经网络预测模型和EEMD-ELM模型更高的预测性能。　　⑵对外界环境因素，降雨和库水位变化，与滑坡演化之间的关系进行了研究。利用EEMD分解将降雨序列，库水位序列和滑坡位移序列各自分解为一系列从高到底不同频率的IMFs。并利用ELM神经网络模型建立降雨和库水位子序列同滑坡位移子序列间的关系。对各个滑坡位移子序列建立ELM预测模型分别预测，最终的预测结果为各个子ELM预测模型预测结果的集成。以三峡库区白水河滑坡为实例验证了本文提出的EEMD-ELM预测方法比传统的神经网络预测模型具有更高的预测精度。　　⑶将量化预测不确定性引入传统的滑坡位移预测研究中，提出了一个新的基于随机权值神经网络的滑坡位移预测模型。传统的滑坡位移预测模型预测都是确定性的点预测，而我们研究的目标是构建预测区间(PIs)的区间预测模型。本文采用一种新的神经网络构建预测区间的方法，上界下界估计(LUBE)，来建立预测模型。不同于传统的LUBE方法，本文提出的随机权值单隐层前馈神经网络中的隐层权值和偏置能够随机选择，而只有输出权值需要调节。利用粒子群优化(PSO)和万有引力搜索(GSA)的混杂算法PSOGSA来优化输出权值。同时针对改进的LUBE算法提出了一个新的神经网络目标函数，该目标函数由改进的组合覆盖宽度标准(CWC)和一个一范数正则化项组成。为了验证提出方法的有效性，本文对两组标杆数据集和一组三峡库区典型滑坡实例数据集进行了实例分析。实验结果显示本文提出的方法能够比传统的方法构建更加优质的PIs。　　⑷利用传统的神经网络预测模型常常对滑坡位移突变点难以实现有效的预测，这主要是由于训练样本中滑坡位移突变这种小概率事件样本的匮乏。为了克服这个问题，提出了一种将传统的回归预测问题转化为分类预测问题的方法。通过利用K均值聚类分析滑坡位移变化量，将滑坡演化分为两类：滑坡平稳演化阶段和滑坡位移突变阶段。由于滑坡位移突变是一种小概率事件，因此滑坡位移分类实质上是一种不平衡数据分类问题。为了克服数据的不平衡分布问题，本文采用加权ELM构建分类预测器，并以白水河滑坡为例验证了方法的有效性。　　⑸研究了高分辨率滑坡遥感图像分类问题。通过对各种类型的多特征分析更好地获得高维遥感图像中的信息。为了处理这类具有高特征维数的图像大数据集，本文采用了一种具有高效计算效率的核ELM算法构建图像分类器。分别对各个独立不同的特征子集训练子分类器，然后融合多个子分类器的分类结果以避免溢出问题。并以一个真实的滑坡遥感图像数据集为例验证了方法的有效性。

关键词： HILBERT-Huang transform   PHASE space (Statistical physics)   URANIUM -- Sales & prices   PRICES   NEURAL networks (Computer science)   NUCLEAR energy   ECONOMIC aspects  

摘要： A hybrid forecasting approach combining empirical mode decomposition (EMD), phase space reconstruction (PSR), and extreme learning machine (ELM) for international uranium resource prices is proposed. In the first stage, the original uranium resource price series are first decomposed into a finite number of independent intrinsic mode functions (IMFs), with different frequencies. In the second stage, the IMFs are composed into three subseries based on the fine-to-coarse reconstruction rule. In the third stage, based on phase space reconstruction, different ELM models are used to model and forecast the three subseries, respectively, according to the intrinsic characteristic time scales. Finally, in the foruth stage, these forecasting results are combined to output the ultimate forecasting result. Experimental results from real uranium resource price data demonstrate that the proposed hybrid forecasting method outperforms RBF neural network (RBFNN) and single ELM in terms of RMSE, MAE, and DS.

关键词： 灰色预测   极限学习机   组合预测模型   供应链管理  

摘要： 预测是一种根据已知数据在过去一定时间段内呈现出的发展的规律性对未来发展趋势进行描述的行为。近年来,预测被用到了很多领域,如电价预测、股票价格预测和气象预测等领域。然而传统的预测方法由于其精度不够高或速度不够快等问题,无法满足当今预测领域的需求。针对传统预测方法的问题,本文主要做了以下工作:1、本文基于组合预测的思想,提出两种灰色预测模型和极限学习机的组合预测方法。一种是灰色预测模型和极限学习机通过协方差优选组合方式组合而成的组合预测方法。另一种是基于强化学习的累积函数的思想,提出的一个新的组合权系数的求解方法,得到了新的灰色预测模型和极限学习机的组合预测算法。2、将两个组合权系数计算方法不同的灰色预测模型和极限学习机的组合预测算法在微软股票信息、TAC-SCM比赛中单项产品交易成交价、Mackey-Glass时间序列数据和台湾液晶屏制造业的制造数据4个实验数据集上进行实验验证,并与多种不同的预测方法进行比较,证明本文提出的两种方法在预测精度和预测速度上都有不错的表现。3、最后,将组合的灰色极限学习机预测算法应用于TAC-SCM供应链比赛中,用于解决比赛过程中的价格和需求量的预测问题。TAC-SCM供应链管理比赛是由美国卡耐基梅隆大学等大学联合主办,主要提供模拟真实的市场环境的平台,以便参赛者将人工智能的理论和方法等研究成果应用到供应链管理的过程中。通过比赛验证了灰色极限学习机预测算法在解决实际问题时的预测准确性和速度适用性。

关键词： 分布式发电   光伏发电   预测   短期功率   用户侧   极限学习机   光伏覆尘  

摘要： 伴随中国农村电网的较快发展,分布式光伏的集成应用是实现新能源就地消纳的重要途径。国家相关政策已对分布式光伏的快速发展进行了相关规划,国家电网公司也出台政策为分布式光伏接入提供便利条件与技术支持,相关的分布式光伏发电功率预测技术需要进行深入研究。针对用户侧分布式光伏发电系统,考虑预测系统的成本约束和运行需求,以及农村电网应用特点,提出一种基于核函数极限学习机的分布式光伏功率预测方法。对于不同容量的分布式光伏发电系统,使用核函数极限学习机构建分布式光伏短期功率预测模型,使用基于权重的训练样本筛选方法提高预测模型计算效率,并通过粒子群算法优化模型参数。预测模型使用低成本的非数值天气预报采样信息,对几十千瓦级的分布式光伏,预测相对误差仅16%～18%,能在低功耗处理器上实现10ms内完成单次发电功率预测,在简化低权重属性后能基本保持原有精度,同时在分布式光伏随机覆尘或逆变器故障条件下预测误差基本不变,具有较高的适应能力。

关键词： Wavelet transforms  

摘要： It is well known that coalmine gas concentration forecasting is very significant to ensure the safety of mining. Owing to the high-frequency, nonstationary fluctuations and chaotic properties of the gas concentration time series, a gas concentration forecasting model utilizing the original raw data often leads to an inability to provide satisfying forecast results. A hybrid forecasting model that integrates wavelet transform and extreme learning machine (ELM) termed as WELM (wavelet based ELM) for coalmine gas concentration is proposed. Firstly, the proposed model employs Mallat algorithm to decompose and reconstruct the gas concentration time series to isolate the low-frequency and high-frequency information. Then, ELM model is built for the prediction of each component. At last, these predicted values are superimposed to obtain the predicted values of the original sequence. This method makes an effective separation of the feature information of gas concentration time series and takes full advantage of multi-ELM prediction models with different parameters to achieve divide and rule. Comparative studies with existing prediction models indicate that the proposed model is very promising and can be implemented in one-step or multistep ahead prediction.

关键词： TRAVEL time (Traffic engineering)   FORECASTING   MACHINE learning   ESTIMATION theory   DATA analysis   PREDICTION theory  

摘要： Travel time estimation on road networks is a valuable traffic metric. In this paper, we propose a machine learning based method for trip travel time estimation in road networks. The method uses the historical trip information extracted from taxis trace data as the training data. An optimized online sequential extreme machine, selective forgetting extreme learning machine, is adopted to make the prediction. Its selective forgetting learning ability enables the prediction algorithm to adapt to trip conditions changes well. Experimental results using real-life taxis trace data show that the forecasting model provides an effective and practical way for the travel time forecasting.

关键词： 烟草病毒病   正则极限学习机   灰色关联度   建模  

摘要： 为了对烟草病毒病的病情指数进行建模研究,采用了一种正则极限学习机算法:通过引入惩罚因子来权衡结构风险与经验风险的大小,进一步增强网络的泛化性.针对烟草病毒病的众多影响因素,采用灰色关联度算法选取主要影响因子.使用某地1984-1995年病情资料、相关虫情和气象资料,经过数据挖掘、建模仿真,将正则极限学习机应用于烟草病毒病预测中,效果较好,对烟草病毒病的防治具有指导意义.

关键词： 极限学习机   人工神经网络模型   GA—BP   BP   RBF   水质预测   湖库  

摘要： 基于传统BP人工神经网络模型训练速度慢、参数选择困难、易陷入局部极值等问题,提出极限学习机(ELM)的水质预测模型。以云南某水库为例,选取NH3-N、NO2--N、NO3--N、CODMn和水体透明度作为网络输入,TP、TN作为输出,构建基于ELM的湖库TP、TN预测模型,并将ELM预测结果与传统BP、GA-BP、RBF人工神经网络模型模拟结果进行比较。结果表明,ELM模型预测精度高于传统BP和RBF模型模拟结果,甚至略高于GA-BP模型的预测精度,并且ELM模型具有参数选择简便、训练速度快、不会陷入局部最优值等特点,有着较大的计算优势。

关键词： 短期负荷预测   极限学习机   主成分分析法   交互验证法  

摘要： 将极限学习机(ELM)方法引入电力系统短期负荷预测领域。该方法预测能力强,具有计算时间短、计算准确性高、全局搜索等显著特点。在运用ELM算法建立短期负荷预测模型过程中,采用归一化处理输入数据,使用主成分分析法选取计算样本,并由交互验证法确定最优主成分因子数和ELM隐含层节点数。实际算例表明,在于短期负荷预测的预测精度和运算时间方面,ELM方法较传统神经网络方法具有其独特的优势。

关键词： MACHINE learning   AUTOMATION   FEEDFORWARD neural networks   GENERALIZATION   PREDICTION (Logic)   LOGISTIC regression analysis  

摘要： Extreme learning machine (ELM) is a fast learning algorithm of single-hidden layer feedforward neural networks (SLFNs). Compared with the traditional neural networks, the ELM algorithm has the advantages of fast learning speed and good generalization. At the same time, an ordinal logistic regression (LR) is a statistical method which is conceptually simple and algorithmically fast. In this paper, in order to improve the real-time performance, a flare forecasting method is introduced which is the combination of the LR model and the ELM algorithm. The predictive variables are three photospheric magnetic parameters, that is, the total unsigned magnetic flux, length of the strong-gradient magnetic polarity inversion line, and total magnetic energy dissipation. The LR model is used to map these three magnetic parameters of each active region into four probabilities. Consequently, the ELM is used to map the four probabilities into a binary label which is the final output. The proposed model is used to predict the occurrence of flares with a certain level over 24 hours following the time when the magnetogram is recorded. The experimental results show that the cascade algorithm not only improves learning speed to realize timely prediction but also has higher accuracy of X-class flare prediction in comparison with other methods.