基于深度学习的多过程时间序列预测研究

科学领域:

• 工业工程 工业工程 工业工程
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 多工艺生产中的数据波动给预测带来了重大挑战.
• 现有的时间序列模型往往难以适应动态的生产环境.

研究的目的:

• 开发一个先进的时间序列预测模型,以应对多工艺生产中的数据波动.
• 通过使用一种新的深度强化学习方法纠正GRU模型输出来提高预测准确性.

主要方法:

• 一个软更新决斗双深Q学习 (SU-D3QN) 算法与一个Gate Recurrent Unit (GRU) 网络集成,形成了SU-D3QN-G模型.
• SU-D3QN算法学习为GRU预测添加偏差,从而最大限度地减少绝对误差.
• 在真实的生产数据 (输出温度,湿度等) 上进行了实验. 使用培训,检查和测试套件.

主要成果:

• 在SU-D3QN-G模型中,与GRU,LSTM和ARIMA模型相比,显示出了显著的改进.
• 观察到平均平方误差 (MSE),根平均平方误差 (RMSE),平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 的显著减少.
• 与GRU相比,MSE的减少率在0.846-23.930%之间,与LSTM相比5.132-36.920%,与ARIMA相比10.606-70.714%.

结论:

• 拟议的SU-D3QN-G模型有效地减轻了多工艺生产预测中的数据波动问题.
• 深度强化学习与循环神经网络的整合提供了一种强大的方法来提高时间序列预测的准确性.