XiaoMi-AI文件搜索系统
World File Search SystemMAPE
为气候数据预测的Gstarima开发（1,1,1）模型订单
时空模型结合了空间和时间元素。一个示例是广义时空自回旋（GSTAR）模型，该模型改善了时空自回旋（Star）模型。GSTAR模型假定每个位置具有异质性特征，并且数据是静止的。在这项研究中，移动平均成分是通过在特定时间与可变值之间的关系计算得出的，并且假定数据不是固定的，因此使用的模型是广义时空自动式积分的移动平均值（GSTARIMA）模型。通过时空自相关功能（STACF）和时空部分自相关功能（STPACF）确定Gstarima的模型顺序，以确保准确的预测。先前的研究仅讨论了Gstarima（1,1,1）模型，因此在这项研究中，Gstarima（3,1,1）模型将作为Gstarima（1,1,1）模型的开发形式来解决，并应用于气候数据。本研究中使用的气候数据来自NASA功率和具有较大数据大小的降雨量变量，需要使用数据分析生命周期方法来分析大数据。生命周期包括六个阶段：发现，数据准备，模型计划，模型构建，交流结果和操作。基于Python软件的数据过程结果，Gstarima（3,1,1）模型的MAPE值为9％，用于样本数据，样本中数据为11％。相比之下，Gstarima（1,1,1）模型的MAPE值为11％，样本数据中的数据为12％。因此，Gstarima（3,1,1）模型提供了更准确的预测结果。因此，选择正确的模型顺序对于准确的预测至关重要。
定量分析和工业二氧化碳的预测...
摘要：为了响应越来越多的气候关注，精确的工业二氧化碳（CO2）排放预测至关重要。采用先进的机器学习（ML）技术，本研究着重于使用来自数据数据集中的全球数据（包含有关水泥，煤炭，燃料，燃烧，天然气和石油工业的年度排放信息）的全球数据的预测工业二氧化碳排放。探索了包括支持向量回归（SVR），线性回归和XGBoost在内的各种回归模型，主要重点是时间序列预测年度CO2排放的模型。利用时间序列的预测，排放数据中复杂的时间趋势是有发现的，提供了增强的预测性见解。CO2预测文献进行了审查，收集和预处理数据，并实施了各种ML算法，然后进行了超参数调整。经过严格训练和评估的模型产生准确的排放预测。结果强调了由斯坦福大学与Facebook Inc.开发的Transformer模型和神经先知图书馆的出色表现，RMSE得分为416.58和470.30，与349.07和380.40相比，MAE的MAPE得分为0.01，MAPE得分均为0.01，相对较低。DEEPTCN还表现出竞争性的预测能力，但缺乏变压器模型和神经先知模型的准确性。与神经先知和变形金刚相比，包括Arima，Naive预测，自动回归（AR），指数平滑和Sarima滞后的传统模型。这些发现强调了ML在推进可持续的环境管理方面的有希望的作用，并为随后的研究努力铺平了道路。关键字：二氧化碳排放，工业排放，可持续性，环境AI，机器学习，时间序列预测。
5G 及更高版本移动网络中的 AI 驱动闭环自动化
摘要 第五代 (5G) 移动网络支持广泛的服务，这些服务具有多样化且严格的 QoS 要求。随着向第六代移动网络的演进，这种情况将进一步加剧。不可避免地，5G 及以后的移动网络必须提供更严格、差异化的 QoS 保证，以满足未来应用日益增长的需求，而传统的人在环服务编排和网络管理方法无法满足这些需求。在本文中，我们阐述了我们对 5G 及以后移动网络闭环服务编排和网络管理的愿景。我们扩展了 MAPE（即、监控、分析、规划和执行）控制环以促进闭环自动化，并讨论了人工智能/机器学习在其实现中的典型作用。我们还发起了针对 5G 及更高移动网络闭环自动化的开放式研究挑战。
使用天气变量的甘蔗产量预测的机器学习技术
摘要。天气对农作物的生长，发育和产量有深远的影响。本研究涉及天气参数用于甘蔗产量预测的使用。机器学习技术（例如K-最近的邻居（KNN）和随机森林模型）已用于甘蔗产量预测。天气参数，即最高温度和最低温度，降雨，早晨和晚上相对湿度，阳光小时，蒸发以及甘蔗产量被用作输入变量。诸如R 2，均方根误差（MSE），平均绝对误差（MAE），均方根误差（RMSE），平均绝对百分比误差（MAPE）之类的性能指标已用于选择预测作物产量的最佳模型。在模型中，根据高R 2和最小误差值选择随机森林算法作为最佳拟合。结果表明，在傍晚的天气变量中，降雨和相对湿度对甘蔗产量有重大影响。
使用LSTM在巴西进行预测和爆发检测：整合人类流动性和气候因素
背景登革热是全球主要的健康问题，由于其有利的气候因素，社会环境状况以及人类流动性的增加，巴西反复发生和严重爆发。准确的登革热案件和爆发风险对于预警系统和有效的公共卫生干预至关重要。传统的预测模型主要依赖于历史案例数据和气候变量，通常忽略了人类运动在病毒传播中的作用。本研究通过将人类流动性数据纳入基于深度学习的登革热预测框架来解决这一差距。方法开发了一种基于LSTM的模型，以预测每周的登革热病例并检测到选定的巴西城市的爆发。该模型整合了历史登革热案例，滞后气候变量（温度和湿度）以及人类移动调整后的进口案例，以捕获时间趋势和空间传播动态。根据三种替代模型评估其性能：（1）仅使用登革热案例数据的LSTM，（2）结合气候变量的LSTM，以及（3）LSTM集成气候和地理邻里效应的LSTM。使用平均值溶质误差（MAE），平均绝对百分比误差（MAPE）和连续排名的概率得分（CRP）评估了预测准确性，而使用准确性，灵敏度，特异性和F1分数评估了爆发分类。结果在登革热案例预测和爆发检测中，提出的提出的迁移率增强的LSTM模型始终超过所有基线。在所有城市中，它都达到了较低的MAE和MAPE值，表明准确性提高，同时也表现出了出色的CRP性能，反映了良好的校准不确定性估计值。在爆发分类中，该模型达到了最高的灵敏度和F1分数，与仅依赖病例趋势，气候变量或地理位置的模型相比，它在检测爆发期间的有效性。结果强调了登革热预测中赋予移动性数据的重要性，尤其是在人口较高的城市中心。
AI驱动的5G和移动网络以外的闭环自动化
摘要第五代（5G）移动网络支持广泛的服务，这些服务构成了多样化且严格的QoS要求。对第六代移动网络的探索将进一步加剧。不可避免地，5G及以后的移动网络必须提供更严格的，不同的QoS保证，以满足未来应用的不断增长的需求，这对传统的人类在循环服务编排和网络管理方法无法满意。在本文中，我们对5G及移动网络以外的闭环服务编排和网络管理提出了愿景。我们扩展了Mape（即，监视，分析，计划和执行）控制循环，以促进闭环自动化，并在实现其实现中讨论人工智能/机器学习的五次角色。我们还提出了公开研究的挑战，以实现5G和移动网络之外的闭环自动化。
使用基于变压器的神经网络
摘要：在这项研究中，我们引入了一种新型的基于变压器的神经网络（DTNN）模型，用于预测锂离子电池的剩余使用寿命（RUL）。所提出的DTNN模型在准确性和可靠性方面显着优于传统的机器学习模型和其他深度学习档案。特别是，DTNN达到0.991的R 2值，平均百分比误差（MAPE）为0.632％，绝对RUL误差为3.2，比其他模型（例如随机森林（RF），决策树（DT），多层perceptron（MLP），REN NERTEN（RN），REN NERTIAL NERTIST（RN NERTIRER NERTIAL（RN））（RN）（rn）（RF）（RF）（RN）（RNN）（RNN）（RNN）（RNN NEFT）（RN NORN NERTER），RNN NOVERRENT NERTER，长期（RN）复发单元（GRU），Dual-LSTM和Decransformer。这些结果突出了DTNN模型在为电池RUL提供精确可靠的预测方面的效率，这使其成为各种应用中电池管理系统的有前途的工具。
不确定性减少控制器的正式合成
上下文。来自经济和社会各个部门的基本服务依赖于复杂软件密集型系统的有效运行。这些系统范围从运行关键业务应用程序的复杂道路管理软件和公共云到制造业的网络物理系统。通常，它们用于现实世界中的应用程序中，其特征在于与环境变化，组件故障，测量不准确性和用户操作相关的高水平不确定性。为了在这种情况下提供其所需的功能，软件密集型系统需要通过自我适应来“驯服”这种不确定性。自我适应是一个过程，涉及使用封闭控制循环来监视系统及其环境，以进行相关更改，分析这些变化的影响，以计划适应更改的系统适应性，并执行（即实施）这些适应。使用此类Monitor-Analyse-Plan-Execute（或“ MAPE”）控制循环的软件密集型系统称为自适应系统（SAS）。
烟花算法训练的人工神经网络（FWANN）的开发和绩效分析：财务时间序列序列序列的案例研究
财务时间序列是高度非线性的，它们的运动是不可预测的。人工神经网络（ANN）在财务预测中有足够的应用。ANN模型的性能主要取决于其培训。尽管基于梯度下降的方法对于ANN训练很常见，但它们有几个局限性。烟花算法（FWA）是一种最近开发的元疗法，它受到夜间烟花爆炸现象的启发，它提出了诸如更快的融合，并行性和找到全球最佳优势之类的特征。本章打算开发一个由FWA和ANN（FWANN）组成的混合模型，用于预测收盘价系列，交换系列和原油价格时间序列。将FWANN的适当性与基于PSO的ANN，GA-基于ANN，基于DE的ANN和MLP模型等模型进行了比较。四个性能指标，MAPE，NMSE，ARV和R2被视为评估的晴雨表。进行性能分析以显示FWANN的适用性和优越性。
使用机器学习算法进行最终键强度估计的比较评估
摘要。腐蚀引起的粘结强度降低是基础设施维持和维修的关键问题。这项研究研究了几种机器学习技术，即SVR，XG增强和随机森林，以预测腐蚀加固与混凝土之间的最终键合行为。在这项研究中，作者采用了218个数据集，这些数据集是从过去的研究中收集的，其中包含用于预测模型的输入和输出参数。使用各种性能指标，即MAE，RMSE，MAPE和MASE评估并比较模型的性能。结果表明，随机森林算法可以可靠地估计最终键强度，而SVR和XG增强模型的RMSE值为1.26。这项研究有助于有效的结构评估和维护计划，以实现腐蚀的钢筋混凝土建筑物。关键字：腐蚀，债券强度，随机森林，支持向量回归，XG提升，机器学习