我要投稿 查看投稿进度
学术期刊
在线客服
客服电话：400-188-5008
客服邮箱：service@ccnpub.com
投诉举报：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享

请选择 目标期刊

基于LSTM模型的电影票房预测算法 下载：74 浏览：489

杨朝强 蒋卫丽 邵党国 《数据与科学》 2019年11期

摘要:
针对目前基于BP神经网络的电影票房预测算法中存在预测精度不高的问题,本文提出一种基于LSTM模型的电影票房算法。首先,分析电影票房的影响因素,对票房影响因子进行定量分析和归一化处理,其次根据影响因素的输入和输出变量确定网络拓扑图及神经元数量,建立神经网络结构后进行改进为深度学习,并增加"记忆"功能,建立LSTM票房预测模型,最后用亿恩电影智库上的电影票房数据分别用LSTM模型和BP神经网络模型进行预测对比。实验结果表明,LSTM模型在对实验中的4712数据预测的平均相对误差比BP神经网络预测低36%左右,在长期预测和短期预测中低BP神经网络约10%左右,预测结果相对比较准确,能够为电影的投资和放映提供有价值的参考,具有实际意义。

基于Wide&Deep-LSTM模型的短期台区负荷预测 下载：81 浏览：438

吕海灿1 王伟峰1 赵兵2 张毅3 郭秋婷3 胡伟3 《电网技术研究》 2020年7期

摘要:
负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果。随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础。文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息。同时在已有的长短期记忆网络(LSTM)模型和宽度&深度(Wide&Deep)模型的基础上,建立了基于Wide&DeepLSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测。该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题。最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性。

基于长短记忆模型(LSTM) 金融市场数据预测 下载：76 浏览：1125

毛义国 《财会研究杂志》 2024年7期

摘要:
金融市场预测是金融领域的一项至关重要的任务，因为它对投资者、政府和金融机构产生直接的影响.金融市场受多种因素的影响，包括宏观经济数据、政策变化、地缘政治事件、市场心理和技术因素。这种多样性增加了金融预测的复杂性，本文运用LSTM模型对金融市场数据进行预测，体现了深度学习在金融市场领域的前景和潜力。
[1/1]
|<
<
1
>
>|
在线客服：：点击联系客服
联系电话：：400-188-5008
客服邮箱：：service@ccnpub.com
投诉举报：：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享