XiaoMi-AI文件搜索系统
World File Search SystemRMSE
电动汽车充电站混合储能系统的充电调度
摘要：过去十年，电动汽车 (EV) 的需求不断增长，欧盟委员会最近出台的法规规定从 2035 年起只允许电动汽车上路，因此有必要设计一个经济高效且可持续的电动汽车充电站 (CS)。充电站面临的一个关键挑战是匹配波动电源并满足峰值负载需求。本文的总体目标是优化电动汽车充电站混合储能系统 (HESS) 的充电调度，同时最大限度地提高光伏电力利用率并降低电网能源成本。该目标是通过使用不同的深度学习 (DL) 算法（例如循环神经网络 (RNN) 和长短期记忆 (LSTM)）预测光伏电力和负载需求来实现的。然后，采用预测数据设计调度算法，确定 HESS 的最佳充电时间段。研究结果证明了所提方法的有效性，实时光伏电力预测的均方根误差 (RMSE) 为 5.78%，实时负荷需求预测的均方根误差 (RMSE) 为 9.70%。此外，所提出的调度算法可将电网总能源成本降低 12.13%。
使用 AI 方法预测焊接响应
摘要 薄板激光焊接广泛应用于电池制造、汽车、航空、电子电路和医学等各个领域。因此，开发一种使用人工智能的预测模型对于以经济的方式实现高质量的焊接件至关重要。在本研究中，实施了两种先进的人工智能技术，即自适应神经模糊推理系统 (ANFIS) 和多基因遗传编程 (MGGP)，以预测使用 Nd:YAG 激光连接薄板过程中的焊接响应，例如热影响区、表面粗糙度和焊接强度。本研究试图为焊接过程开发一个合适的预测模型。在提出的方法中，70% 的实验数据构成训练集，而剩余 30% 的数据用作测试集。本研究结果表明，MGGP 模型测试数据集的均方根误差 (RMSE) 在 7% 到 16% 之间，而 ANFIS 模型测试数据集的 RMSE 在 18-35% 之间。研究表明，MGGP 能够以优异的方式预测激光焊接过程中的焊接响应，并可用于准确预测性能指标。
机器学习的药品销售预测
摘要：这项研究探讨了机器学习策略估算药品协议的适当性，并显示了对四个计算的比较研究：随机森林，梯度增长，长期记忆（LSTM）和自动性综合运动平均值（ARIMA）。现实世界中的药物交易信息用于评估使用测量值的预定计算的先见优先执行，例如残酷绝对误差（MAE），均方误差（MSE）和根残酷平方误差（RMSE）。结果表明，LSTM击败了其他计算，完成了最大的900个MAE，13000的MSE和113.96的RMSE。此外，该研究对不同部门的有先见之明分析和机器学习的后续进展进行了全面调查，计算医疗保健，供应链给药，背部和自然支持性。这些发现强调了进步分析在推动关键决策，优化资产分配以及缓解药品交易中的危险方面的变革潜力。向前迈进，将机器学习驱动的确定模型集成到组织程序中将继续彻底改变制药行业，并为可维护的开发和进步扫清道路。
学习飞机运行因素以改善飞机爬升预测：一项大规模多机场研究
地面飞机轨迹预测是空中交通管制和管理的主要关注点。安全有效的预测是实施新自动化工具的先决条件。在当前的操作中，轨迹预测是使用物理模型计算的。它模拟作用在飞机上的力，以预测未来轨迹的连续点。使用这样的模型需要了解飞机状态（质量）和飞机意图（推力定律、速度意图）。大部分这些信息对于地面系统来说是不可用的。本文重点关注爬升阶段。我们通过预测一些未知的点质量模型参数来提高轨迹预测精度。这些未知参数是质量和速度意图。本研究依赖来自 OpenSky 网络的 ADS-B 数据。它包含该传感器网络检测到的 2017 年的爬升段。研究了 11 种最常见的飞机类型。获得的数据集包含来自世界各地的数百万个爬升段。爬升段未根据其高度进行过滤。使用机器学习方法从该数据集中学习返回缺失参数的预测模型。训练后的模型在一年的最后两个月进行测试，并与基线方法（使用 BADA 和前十个月计算的平均参数）进行比较。与此基线相比，机器学习方法降低了海拔高度的 RMSE
预测采购物流中的生产成本
本研究的目的是评估统计工具的使用情况，特别是普通最小二乘法 (OLS) 和人工神经网络 (ANN)，并借助这些工具独立有效地预测秘鲁造纸行业供应物流的生产成本。这两个模型在分析上有所不同，但最终却是互补的，以获得更精确的结果，突出了 ANN 在评估指标的精确度方面的卓越性能，与 OLS 统计模型相比，它们实现了 0.0171 的 RMSE 和 0.0122 的 MAE，而 OLS 统计模型实现了 0.0181 的 RMSE 和 0.2070 的 MAE。同样，在所研究的维度之间的分析中，采购管理的系数为 -0.4978，这表明其优化将对生产成本产生积极影响，而其他两个维度的情况则相反，即仓储管理和库存管理，它们的系数为正（0.7457 和 0.4667），这表明它们的优化不一定会对生产成本产生积极影响，恰恰相反，它们的管理不善反而会损害生产成本。这些结果强调了秘鲁造纸公司必须能够实施更新的物流系统，能够整合先进的统计工具，例如使用 ANN 和 MCO，这可以科学地帮助您做出更好的决策，从而改善您的供应流程，从而能够降低您的生产成本。
优化云资源分配：将复发性神经网络与模糊逻辑系统
收到的纸张日期：2024年11月15日纸张接受日期：2024年12月16日纸张出版日期：2024年12月22日摘要该研究重点是通过将经过的神经网络（RNN）与模糊逻辑相结合。该研究的主要目标是通过整合两种方法的最佳云资源预测模型的准确性和解释性。通过将RNN序列预测能力与模糊逻辑的多功能性相结合以更好地分类不确定性管理和持续输出的多功能性来实现目标。模糊成员资格功能，并将其分类为模糊集（低，中和高）。使用指标RMSE，MSE，MAE和R-Squared（R²）对经典RNN和LSTM模型进行了基准与经典的RNN和LSTM模型进行了基准测试。从获得的结果中可以清楚地看出，RNN模糊性能比其他两个模型RNN和LSTM更好，就预测的准确性。RNN模型模型的RMSE = 0.003377，MSE = 1.141，MAE = 0.0023，R²= 0.5308，而RNN模型的RMSE = 0.013437，MSE = 0.013437，MMSE = 1.941，MAE = 0.0123，和R²= 0.39908。RMSE为0.023897，MSE为2.843，MAE为0.0223，R²为0.4308，对于LSTM模型而言，所有这些相对较差。这表明使用RNN模型模型时，资源分配预测可显着改善，在减少误差指标并提高可解释性的同时更适合数据。这为云资源优化的模糊逻辑与RNN的集成增加了价值。这是可以得出结论，RNN中的模糊逻辑增强了其减轻歧义的能力，以获得更容易解释的输出，因此是在动态上下文中优化云资源的更好替代方法。关键字：复发性神经网络（RNN），模糊逻辑系统，RMSE，MAE，MSE。简介云计算技术已成为现代数字时代企业和组织的重要工具，以追求可扩展性，效率和灵活性（Khan等，2022）。随着云计算的日益增长，虚拟机的安装和维护在云环境中变得越来越困难。今天，云计算区域复杂环境中的主要问题包括虚拟机迁移优化和有效的资源提供。传统上，资源分配和VM迁移技术始终产生了资源浪费和性能降解的问题，因为它们主要使用静态规则或手动设置，而这些规则或手动设置实际上是根据云环境中不断变化的趋势（Lin等，2024）进行修改的。因此，涉及云计算的最具挑战性的问题之一是利用新颖的技术工具，因为机器学习优化了虚拟机器迁移和动态资源分配。虚拟机迁移是云计算中最重要的技术之一，遵循该领域的任何人都可以看到它的重要性。简而言之，虚拟机迁移促进了资源的动态变化，实现负载平衡并增强了云环境的一般使用和效率（Yousefi＆Babamir，2024）。虚拟机迁移的第二个优点是它可以在云环境中的缺陷中维护，成长或恢复而不会破坏用户服务。（Ghobaei -Arani等，2018）。这会改善系统的可用性。然而，虚拟机迁移并非没有挑战，包括在迁移过程中的绩效丧失，增加的迁移时间以及在迁移过程中引起的潜在数据一致性问题（Ruan等，2019）。传统的虚拟机迁移和资源分配优化通常取决于人类的设置或静态规则，这些规则和限制了许多缺点和限制。首先，静态规则通常无法对云环境中发生的动态变化做出反应。这意味着分配的资源要么不足或过多，影响
收到：2024年3月4日；接受：2024年7月22日；出版：2024年8月13日引用了本文（APA）：Lim，S。E.，Misiran，M.，Sapiri，H。，＆MD Yus
这项研究重点介绍了perlis的每月温度和降雨模式的预测，目的是为该地区的气候提供宝贵的见解。采用了各种预测方法，包括简单的季节性指数平滑（SSE），Holt Winter添加剂，Holt Winter乘法和季节性Arima。使用键误差指标（例如平均绝对误差（MAE），均方根误差（RMSE）和平均绝对百分比误差（MAPE））评估这些模型的准确性。分析结果表明，简单的季节性指数平滑（SSES）模型始终优于其他方法，显示了温度和降雨预测的最低误差指标。具体而言，对于每月温度，MAE的最低误差指标值为0.401，RMSE为0.465，MAPE为1.434。每月降雨，SSES模型表明，1.528的MAE，1.952的RMSE和157.477的MAPE，表明其在捕获Chuping气候中捕获季节性模式方面的准确性很高。该研究的结论表明，在接下来的31个月内，预期的温度和降雨模式稳定，直到2025年底。预测中的这种可靠性为包括农业和环境管理在内的各个部门提供了有价值的信息，这些信息依赖于准确的气候预测进行计划和资源分配。关键字：预测，简单的季节性指数平滑（SSES），Holt-Winter添加剂，Holt Winter乘法性，季节性Arima。[1]。引言Chuping，马来西亚佩里斯（Perlis），以其广泛的农业行业而闻名，其中包括几种不同的农产品，例如大米和橡胶。此外，它具有成为该国最大的甘蔗生产区（Perlis州政府，北卡罗来纳州）的区别。这些农业活动的成功和生产力显着影响当地经济，产生就业机会，刺激农村发展，并支持该地区许多人的生计以及农业部门的谋生，在削弱佩里斯的整体经济增长方面。这些农业活动中这些农业活动的繁荣和生产力与天气条件（主要是降雨和温度）密切相关。
通过机器学习和深度学习的预测加密货币市场趋势
摘要。加密货币成为金融市场上的重要参与者，因为它吸引了大量的投资和利益。在这种充满活力的环境下，拟议的加密货币价格预测工具是一个关键的要素，为发烧友和投资者提供了指导，在一个市场上呈现为基于众多数字货币复杂性的市场。采用特征选择附魔和Arima，LSTM，线性回归技术的动态三重奏该工具为用户创建了一个马赛克，以便使用人工智能对实时加密宇宙的预测进行分析数据。当用户浏览算法迷宫时，他们可以选择大量而闪闪发光的高质量加密货币。该工具在分析过去的历史价格数据与机器学习的能力上，精心策划了一个有选择和信息的预测场景，用户在加密货币系统进行的财务发现故事中变成了主要角色。数值结果还支持该工具的有效性，如杰出的相应数字所强调的，例如ETH的较低RMSE值150.96，并最小化归一化的RMSE缩放到下面，也就是。定量成功强调了该工具为进行精确预测和改善娱乐性加密货币投资世界中的用户互动的有用性。
传感器
摘要目的：这项研究的目的是在硅QSAR-神经网络模型中开发出强大的外部预测性，用于预测药物的血浆蛋白结合。该模型旨在通过减少化学合成和广泛的实验室测试的需求来增强药物发现过程。方法：使用277种药物的数据集来开发QSAR神经网络模型。使用滤波器方法构建模型，以选择55个分子描述符。通过预测平方相关系数Q2和均方根误差（RMSE）评估了验证集的外部精度。结果：开发的QSAR神经网络模型显示出鲁棒性和良好的适用性域。验证集的外部准确性很高，预测平方相关系数Q2为0.966，均方根误差（RMSE）为0.063。相对，该模型的表现优于文献中先前发布的模型。结论：该研究成功地开发了一种高级QSAR神经网络模型，能够预测人类血浆中277种药物的血浆结合。该模型的准确性和鲁棒性使其成为药物发现中的宝贵工具，有可能减少对资源密集型化学合成和实验室测试的需求。
加强城市二氧化碳监测以促进气候行动
准确可靠的二氧化碳测量对该项目至关重要，但城市环境面临着独特的挑战，包括温度和湿度波动等多变的天气条件。慕尼黑工业大学 (TUM) 在设计监测系统时，寻求一种可靠、准确且价格合理的二氧化碳传感器，能够在户外条件下提供稳定的测量结果。此外，该传感器还必须达到 1 ppm 均方根误差 (RMSE) 的二氧化碳测量精度，这对于理解城市环境中的空间模式至关重要。