邯郸做企业网站设计的公司,sever2012做网站,健康濮阳门户网站建设,做商铺最好的网站问题B#xff08;二#xff09; 5.2 问题二模型的建立与求解#xff08;二#xff09;5.1.4基于LSTM的时间序列预测模型5.1.5 LSTM的时间序列预测结果5.1.6 多元回归模型的预测结果5.1.7 LSTM时间序列模型的性能评价 5.2 问题二模型的建立与求解5.2.1基于皮尔逊系数相关性分… 问题B二 5.2 问题二模型的建立与求解二5.1.4基于LSTM的时间序列预测模型5.1.5 LSTM的时间序列预测结果5.1.6 多元回归模型的预测结果5.1.7 LSTM时间序列模型的性能评价 5.2 问题二模型的建立与求解5.2.1基于皮尔逊系数相关性分析的降维模型5.2.2基于topsis的熵权法综合评价模型 论文与代码获取 5.2 问题二模型的建立与求解二
5.1.4基于LSTM的时间序列预测模型
长短时记忆网络即LSTM网络它是一种递归神经网络。与其他的神经网络相比这种网络最大的不同之处就是所有的隐藏层单元并不是彼此独立存在的。各大隐藏层间不仅有密切的联系隐藏层单元前节点的时序输入与之有非常密切的关系该特征在处理和时序关联的数据会产生极大的影响。LSTM神经网络可以记住长期依赖关系可以克服处理长序列的数据时发生的梯度爆炸和梯度消失等问题。
LSTM的结构单元如图10所示主要包括输入门、输出门、遗忘门和自连接的记忆单元状态值。LSTM模型中三类门结构的核心功能即管控传递控制何种信息可以传递至当前神经元选择多少当前神经元的信息至下一个神经元其取值主要取决于xt、ht和ht-1的值。
5.1.5 LSTM的时间序列预测结果 从图表中可以看出xx根据图表写结论
5.1.6 多元回归模型的预测结果 可以用回归作图对比一下如果不会使用MATLAB可以用SPSS
5.1.7 LSTM时间序列模型的性能评价 根据上述测试机和训练集的相对误差来分析精确度可以说一下误差较小。 越接近0越小 这个是训练过程图 综上所述通过基于箱线图的数据预处理去除异常值和缺失值然后对处理后的数据进行描述性统计分析确定数据之间的独立性和定性趋势然后使用斯皮尔曼相关性分析来确定各因素之间的相关性系数可以得出xx特点最后使用LSTM模型建立了供电量的时间序列预测模型对2060年之前数据进行了预测并分析了其精确度。
5.2 问题二模型的建立与求解
5.2.1基于皮尔逊系数相关性分析的降维模型 根据皮尔逊相关性绘制的热力图如图2所示可知多个自变量与因变量综合得分的相关系数类似由此采用因子分析降维与因变量因子分析步骤相同分别进行单因子双因子、三因子得双因子结果最好。为节省篇幅只展示双因子结果如图3所示。即聚合为五个自变量主因子。
5.2.2基于topsis的熵权法综合评价模型
熵权法是对指标体系客观(利用已知数据赋权的方法。指标的变异程度方差)越小所反映的信息量也越少(同时信息越大)其对应的权值也应该越低。一般来说若某个指标的信息熵越小表明指标值得变异程度越大提供的信息量越多在综合评价中所能起到的作用也越大其权重也就越大。相反某个指标的信息熵越大表明指标值得变异程度越小提供的信息量也越少在综合评价中所起到的作用也越小其权重也就越小。
论文与代码获取 完整代码与论文的获取看下面滴滴我
