利用储层计算模型预测原油价格
应用深度学习量化不确定性是实现电网管理中精确可靠的时间序列预测的关键,本研究探索并比较了在水库计算中采用的贝叶斯和确定性方法对预测准确性、计算资源效率和估计不确定性可靠性的影响。
Aug, 2023
通过使用深度学习和序列卷积以及长短时记忆 (LSTM) 单元,发展了先进的数据驱动回归模型来预测石油产量,优于传统的机器学习方法,对历史模式进行了分析,实验证明 LSTM 模型可以更准确地预测。
Aug, 2023
本文介绍了利用时间序列算法(季节性 Naive 方法,指数平滑和 ARIMA)预测蒸馏燃料油和丙烷混合物净产量的方法,以此实现对油田成本控制和管理的目的。
Jun, 2022
该综述通过将物理沉积池按类型分类,概述了近期物理沉积池计算的进展,并讨论了与物理沉积池计算相关的当前问题和前景,以进一步扩展其实际应用和开发下一代机器学习系统。
Aug, 2018
该研究提出了一种新的量化方法来预测马里、尼日利亚、叙利亚和也门四个国家在地方层面上连续 60 天的食物消费水平,通过对包括 ARIMA、XGBoost、LSTMs、CNNs 和 Reservoir Computing (RC) 在内的不同模型的性能进行综合分析,发现 Reservoir Computing 模型在食品安全领域具有抗过拟合和高效训练的特点,为建立全球数据驱动的早期预警系统奠定了基础,提前预测和检测食品不安全问题。
Dec, 2023
利用名为 “储集计算” 的机器学习方法成功地进行了混沌动力系统的短期预测和吸引子重构研究。我们提出了一个理论框架,描述了储集计算可以创建具有短期预测能力和准确长期遗传行为的经验模型的条件,并通过数值实验说明了这个理论。我们还认为这个理论适用于某些其他时间序列预测的机器学习方法。
May, 2018
光子储水池计算作为加速时间序列预测的硬件实现需求的最新技术,已被广泛运用,然而在预测混沌时间序列方面,传统的储水池计算模型在准确性方面存在一定局限性,因此我们引入了一种注意力机制,用于增强储水池计算模型输出阶段的预测准确性,实验结果表明,采用注意力机制的光子储水池计算能够提高较小储水池的预测能力,这些进展凸显了储水池计算在准确预测混沌时间序列的实际应用中的变革性可能性。
Dec, 2023
本文介绍了一种基于储层计算的新方法,用于预测周期性时间序列,特别适用于生成音乐节奏等需要精确预测节奏的任务。我们的方法利用储层计算,并以预测人类节奏感知为最终目标。我们的网络准确地预测人类频率感知范围内的节奏信号。模型结构包含主要和中间神经元,用于捕捉和传递节奏信息。两个参数矩阵 c 和 k 调节储层的动态特性。我们提出了一个损失函数来调整训练后的 c,并引入了一种动态选择机制来调整 k,以便关注具有杰出贡献的区域。在多样化的测试集上的实验结果展示了准确的预测,并通过实时调整储层的 c 和 k 进一步提高了预测性能。比较评估结果显示其相对于传统模型具有更出色的性能。
May, 2024
通过两种预测方法(储水层计算和向量自回归模型)研究了远程地点的气候要素的低成本和准确预测,发现预测精度随观测地点与目标地点之间的距离降低而下降,机器学习方法可以更有效地预测远程地点的气候要素。
Jun, 2024