深度学习-模型预测（论文笔记）

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

-摘要：浅层交通模型已经不能满足真实世界的应用，提出了一种同时考虑时间和空间内在联系的基于深度学习的预测方法。堆叠自编码器模型采用贪婪分层的方式，学习产生的交通流量特点。实验证明本文提出的方法在交通流量预测方面有很高的性能。

-1.介绍：交通流量预测主要依赖于历史数据和来自各种传感器的实时数据（感应涡流、雷达、相机、GPS、社交媒体）。现有的交通流量预测系统和模型都是采用浅层交通模型，预测效果差。
    深度学习是机器学习的一种方法，现在已经被成功应用到分类任务、自然语言处理、维数约简、目标检测、运动建模方向等等。
    深度学习算法不用先验知识就能代表交通流量的特点，并且在流量预测方面性能很好。

-2.文献综述：早在1970年，自回归综合移动平均 (ARIMA) 模型用于预测短期高速公路交通流量 。之前的预测方法大致可以被分为3类：参数化方法、非参数化方法以及模拟。参数化方法可以分为时间序列方法，卡尔曼滤波方法等。非参数化方法包括K最邻近方法（k-NN）、人工神经网络（ANNs）等。模拟方法则使用交通模拟工具预测交通流量。
    现有的一些ARIMA方法的应用及改进
    现有文献中的一些其他的预测交通流量的方法
    现有文献中提出的一些整合方法预测交通流量
    总结：很难说现有的某个方法在任何方面都优于其他方法。一个原因是所提出的模型是用少量单独的特定交通数据开发的，交通流预测方法的准确性取决于嵌入在收集的时空交通数据中的交通流特征

 

-3.方法论
    A自编码器：自编码器是一个试图重现其输入的神经网络，即目标输出就是模型的输入。自编码器的一个问题就是如果隐藏层的大小与输入层相同或大于输入层，则这种方法可能会学习恒等函数。如果自编码器的输入层比隐藏层多，就没有问题了。
    B稀疏自编码：SAE模型是通过将下层自动编码器的输出作为当前层的输入，通过堆叠自动编码器形成深度网络来创建的。得到第一个隐藏层后将第k个隐藏层的输出作为第（k+1）个隐藏层的输入。多个自编码器可以分层堆叠。
        顶层的标准预测器用的是逻辑回归层
    C训练算法：使用贪婪逐层无监督学习算法的关键在于以自底向上的方式逐层预训练深度网络。预训练阶段之后使用BP进行微调，自上而下的调整模型参数。
        训练算法具体步骤

 

-4.实验：数据来自Caltrans Performance Measurement System (PeMS)数据库，交通数据每30s从15000个单独的探测器收集一次，探测器在全州范围内部署在加利福尼亚告诉公路系统中。
    a.数据集：前两个月的数据作为训练集，选取剩余一个月的数据作为测试集。
    b.性能指标：平均绝对误差（MAE）、平均相对误差（MRE）、RMS误差（）
    c.确定SAE模型的结构：确定输入层的大小，隐藏层的数量，以及每个隐藏层的隐藏单元的数量。
        空间相关性：使用从所有高速公路收集的数据作为输入，可以从交通网络的角度构建模型。
        时间相关性：为了预测时间间隔t的交通流，我们应该使用之前时间间隔的交通流数据。
        本文提出的模型来预测15分钟交通流量、30分钟交通流量、45分钟交通流量和60分钟交通流量
        15分钟交通流预测，三个隐藏层构成，每个隐藏层的隐藏单元数为（400，400，400）；30分钟预测，三个隐藏层构成，每个隐藏层隐藏单元数（200，200，200）；45分钟预测，两个隐藏层；60分钟预测四个隐藏层，每个隐藏层单元（300，300，300，300）
    d.结果：在重、中等级的交通流量下预测效果较好，在低等级交通流量下预测效果不是很好
        将提出的SAE模型与随机游走（RW）预测方法、支持向量机（SVM）方法和径向基函数（RBF）NN模型进行了性能比较。在这四种竞争方法中，RW 方法是一个简单的基线，可以将未来的交通量预测为等于当前交通流量 (Xt+1 = Xt )，NN 方法在交通流量预测方面具有良好的性能，如第 II部分。SVM方法是一种比较先进的预测模型。
        只使用了交通流量数据作为输入，而没有考虑人工工程因素，例如天气、事故等与交通流量有关的参数。。
        通过图表展示对比其他方法的结果，证明SAE的预测比较准确。
-5.结论：总结与展望

二、基于大数据新能源发电预测的电力系统调度方法

-摘要：在大数据分析预测基础上，提出提前15分钟电网调度方法。
    首先数据分析构建模型；其次预测风电、光伏调度值，最后得出新能源电源负荷配比

-1.引言：目前大数据在电力系统中的应用体现在：用户与电网互动、电网设备在全区域内的覆盖、分布式电源出力预测及储能设备的选址。

-2.新能源大数据分析

-3.基于新能源发电预测的调度方法
    人工神经网络，应用于信号处理、模式识别以及负荷预测等领域。
        网络结构分为：前馈网络、有反馈的前馈网络、前馈内层互联网络、反馈型全互联网络和反馈型局部链接网络。
    建模过程
        （1）建模数据归一化处理：将有量纲的量转换为无量纲的量
        （2）网络隐层结构确定：三层BP神经网络中单隐层的网络结构
        （3）输出层神经元个数确定：神经元数量与网络训练的精度和计算机硬件条件成正比。本文选择输出层有6个神经元。
        （4）建立训练和测试样本：模型训练和测试样本容量包括当前时刻及前一时刻的时间序列数据。训练和测试目标为为下一时刻的数据。
        （5）得出下一时刻电网调度方案：模型建立后，输入当前时刻及前一时刻的历史运行数据，得出下一时刻的计划。
-4.算例分析
        采用平均绝对百分比（MAPE）分析精度