基于新型多目标浣熊优化算法的BiLSTM-Attention#br#
预测模型及误差分析

doi:10.3969/j.issn.1006-2475.2024.11.011

摘要/Abstract

摘要： 摘要：工程造价预测在现代工程管理中具有重要意义。然而，受市场波动、人力成本等因素影响，工程造价预测一直具有挑战性。本文提出一种新型多目标浣熊优化算法，并提出基于该算法优化的双向长短期记忆网络（BiLSTM）和注意力机制（Attention）的变电工程造价预测模型。首先，将本文算法与主流多目标优化算法在8个测试问题上进行对比，验证多目标浣熊优化算法的有效性；其次，通过本文算法对预测模型进行优化，实现模型精度提升；通过BiLSTM-Attention模型捕捉历史数据中的潜在关系，提高变电工程造价预测的精度和可靠性；最后，将本文模型与主流的5种模型进行对比，使用某省110 kV变电工程的历史数据作为案例研究。结果显示，本文模型的平均绝对百分比误差为3.71%，相比BP减小了9.82个百分点，相比ANN减小了5.81个百分点，相比LSTM减小了5.40个百分点，相比LSTM-SVR减小2.03个百分点，相比CNN-LSTM减小1.00个百分点。

关键词: 工程造价, 多目标浣熊优化算法, 双向长短期记忆网络, 注意力机制, 预测

Abstract: Project cost prediction plays an important role in modern project management. However， due to market fluctuations， labor costs， and other factors， project cost forecasting has been challenging. Therefore， a novel multi-objective coati optimization algorithm is proposed， and a bidirectional long short-term memory network （BiLSTM） and attention mechanism optimized based on this algorithm are proposed to predict the cost of substation engineering. Firstly， the proposed algorithm is compared with the mainstream multi-objective optimization algorithm on 8 test problems， and the effectiveness of the multi-objective coati optimization algorithm is verified. Secondly， the proposed algorithm is used to optimize the prediction model to improve the accuracy of the model. The BiLSTM-Attention model captures the potential relationship in historical data to improve the accuracy and reliability of power transformation project cost prediction. Finally， the proposed model is compared with the five mainstream models， and the historical data of a 110 kV power transformation project in a province is used as a case study. The results show that the average absolute percentage error of the proposed model is 3.71%， which is reduced by 9.82 percentage points compared with BP， 5.81 percentage points compared with ANN， 5.40 percentage points compared with LSTM， 2.03 percentage points compared with LSTM-SVR， and 1.00 percentage points compared with CNN-LSTM.

Key words: engineering cost, multi-objective coati optimization algorithm, BiLSTM, attention mechanism, prediction ,

中图分类号:

TM73
TP183

李钧超1, 尤菲1, 张超2, 苏乐乐2, 龚龑2. 基于新型多目标浣熊优化算法的BiLSTM-Attention#br# 预测模型及误差分析[J]. 计算机与现代化, 2024, 0(11): 70-76.

LI Junchao1, YOU Fei1, ZHANG Chao2, SU Lele2, GONG Yan2 . BiLSTM-Attention Prediction Model and Error Analysis #br# Based on Novel Multi-objective Coati Optimization Algorithm[J]. Computer and Modernization, 2024, 0(11): 70-76.

参考文献

［1］赵振宇，马旭，尹琛. 输变电工程投资规模优化模型及其应用——基于边际效益的分析［J］.价格理论与实践， 2023（3）:161-166.
［2］张波，黄江倩，姜霓裳，等. 结合RBM的MLP神经网络输变电工程量评估方法［J］. 高校应用数学学报A辑， 2023，38（2）:181-189.
［3］雷磊，呼梦颖，董子晗，等. 基于SSA-KELM的输变电工程水土流失量预测研究［J/OL］.电测与仪表:1-8［2023-08-20］. https://kns.cnki.net/kcms/detail/23.1202.TH.2023
0215.1434.022.html.
［4］杨凯，于波，肖艳利，等. 基于GA-BP神经网络的配电网工程造价预测［J］. 自动化仪表， 2019，40（7）:91-93.
［5］邓怡卿，孙斌，李晓兵，等. 基于大数据的输变电工程造价趋势预测［J］. 湖南电力， 2023，43（2）:108-111.
［6］冯瀚，刘冰旖，张玉鸿，等. 基于FCM和PSO-SVM的电力工程造价预测模型研究［J］. 华东电力， 2014，42（12）:2713-2716.
［7］张鑫. 配电网工程设计概算预测方法研究［D］. 西安:西安建筑科技大学， 2022.
［8］徐伟. 江铜集团铜杆数字化营销发展策略研究［J］. 铜业工程， 2022（3）：96-101.
［9］张恒武，吴小忠，沈晓隶，等. 基于BP神经网络优化算法的输变电工程造价预测模型［J］. 沈阳工业大学学报， 2023，45（4）:381-386.
［10］谭清燕，王伟. 基于DIMINE排产平台的日计划编制技术探索［J］. 铜业工程， 2022（5）：113-116.
［11］杨颖，刘小敏，尤菲，等. 基于PSO-LSSVM的配电网工程造价预测模型建立及其误差分析［J］. 自动化技术与应用， 2020，39（2）:98-102.
［12］ WANG B， DAI J. Discussion on the prediction of engineering cost based on improved BP neural network algorithm［J］. Journal of Intelligent & Fuzzy Systems， 2019，37（5） 6091-6098.
［13］ HASHIM F A， HUSSIEN A G. Snake optimizer: A novel meta-heuristic optimization algorithm［J］. Knowledge-Based Systems， 2022，242. DOI: 10.1016/j.knosy.2022.108320.
［14］ AGUSHAKA J O， EZUGWU A E， ABUALIGAH L. Gazelle optimization algorithm: A novel nature-inspired metaheuristic optimizer［J］. Neural Computing and Applications， 2023，35（5）:4099-4131.
［15］ AHMADIANFAR I， HEIDARI A A， NOSHADIAN S， et al. INFO: An efficient optimization algorithm based on weighted mean of vectors［J］. Expert Systems with Applications， 2022，195. DOI: 10.1016/j.eswa.2022.116516.
［16］ DEB K， JAIN H. An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach， part I: Solving problems with box constraints［J］. IEEE Transactions on Evolutionary Computation， 2014，18（4）:577-601.
［17］ MIRJALILI S， GANDOMI A H， MIRJALILI S Z， et al. Salp swarm algorithm: A bio-inspired optimizer for engineering design problems［J］. Advances in Engineering Software， 2017，114:163-191.
［18］ MIRJALILI S， JANGIR P， MIRJALILI S Z， et al. Optimization of problems with multiple objectives using the multi-verse optimization algorithm［J］. Knowledge-Based Systems， 2017，134:50-71.
［19］ DEHGHANI M， MONTAZERI Z， TROJOVSKÁ E， et al. Coati optimization algorithm: A new bio-inspired metaheuristic algorithm for solving optimization problems［J］. Knowledge-Based Systems， 2023，259. DOI: 10.1016/j.knosys.2022.110011.
［20］ DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multiobjective genetic algorithm: NSGA-II［J］. IEEE Transactions on Evolutionary Computation， 2002，6（2）:182-197.
［21］ ZHOU Y， LI S J. BP neural network modeling with sensitivity analysis on monotonicity based Spearman coefficient［J］. Chemometrics and Intelligent Laboratory Systems， 2020，200. DOI: 10.1016/j.chemolab.2020.103977.
［22］ SHAN L Q， LIU Y C， TANG M， et al. CNN-BiLSTM hybrid neural networks with attention mechanism for well log prediction［J］. Journal of Petroleum Science and Engineering， 2021，205. DOI: 10.1016/j.petrol.2021.108838.
［23］ LIN J， MA J， ZHU J G， et al. Short-term load forecasting based on LSTM networks considering attention mechanism［J］. International Journal of Electrical Power & Energy Systems， 2022，137. DOI: 10.1016/j.ijepes.2021.107818.
［24］ ZITZLER E， DEB K， THIELE L. Comparison of multiobjective evolutionary algorithms: Empirical results［J］. Evolutionary Computation， 2000，8（2）:173-195.
［25］ LIU H L， GU F Q， ZHANG Q. F Decomposition of a multiobjective optimization problem into a number of simple multiobjective subproblems［J］. IEEE Transactions on Evolutionary Computation， 2014，18（3）:450-455.
［26］ WOLDESENBET Y G， YEN G G， TESSEMA B G. Constraint handling in multiobjective evolutionary optimization［J］. IEEE Transactions on Evolutionary Computation， 2009，13（3）:514-525.

[1]	何思达, 陈平华. 基于意图的轻量级自注意力序列推荐模型[J]. 计算机与现代化, 2024, 0(12): 1-9.
[2]	赵晨阳, 薛涛, 刘俊华. 基于改进Stable Diffusion的时尚服饰图案生成[J]. 计算机与现代化, 2024, 0(12): 15-23.
[3]	黄庭培1, 马禄彪1, 李世宝2, 刘建航1. 基于WiFi和原型网络的手势识别方法[J]. 计算机与现代化, 2024, 0(12): 34-39.
[4]	张晓东1, 白广芝1, 李敏1, 李昊洋2. 基于经验小波变换的油气井产量预测模型 [J]. 计算机与现代化, 2024, 0(12): 53-58.
[5]	刘云海1, 冯广1, 吴晓婷2, 杨群2. 复杂施工场景下的安全帽佩戴检测算法[J]. 计算机与现代化, 2024, 0(12): 66-71.
[6]	谷岳, 邓松峰, 沈霁, 穆文涛, 赵恩棋. 基于改进YOLOv8的SAR舰船目标检测算法[J]. 计算机与现代化, 2024, 0(12): 78-83.
[7]	王艳媛, 茅正冲. 中英文场景文本图像的检测和识别算法[J]. 计算机与现代化, 2024, 0(12): 84-90.
[8]	邬秀玲1, 周盛1, 王春娟1, 余萃卓2, 刘昊3. 超短时电力负荷预测技术研究进展[J]. 计算机与现代化, 2024, 0(12): 108-115.
[9]	张宇1, 2, 黎靖1, 2, 马铭1, 2, 王众祥1, 2, 孙妍1, 2. YOLOLW:一个新的轻量级目标检测模型[J]. 计算机与现代化, 2024, 0(11): 91-98.
[10]	祁贤, 刘大铭, 常佳鑫. 基于改进自注意力机制的多视图三维重建[J]. 计算机与现代化, 2024, 0(11): 106-112.
[11]	杨骏1, 胡为1, 朱文福2. 基于改进MobileNetV3的视觉SLAM回环检测算法[J]. 计算机与现代化, 2024, 0(10): 21-26.
[12]	魏学诚1, 江凌云1, 李研2, 何非2. 改进YOLOv5的路侧单目视角小目标检测算法[J]. 计算机与现代化, 2024, 0(10): 27-34.
[13]	杜猛俊1, 李昂1, 童俊1, 钱锦1, 康恺1, 王若丁1, 靳文星2. 基于改进极限学习算法的电力信息数据融合模型[J]. 计算机与现代化, 2024, 0(10): 61-64.
[14]	杨世军1, 狄广义1, 高军1, 陈见飞1, 王耀坤1, 季晓晗2. 跨模态注意力融合和信息感知的情感一致检测[J]. 计算机与现代化, 2024, 0(10): 113-119.
[15]	候聪颖, 杨文清, 王召, 程聪. 基于时频自注意力残差时序卷积网络的语音增强[J]. 计算机与现代化, 2024, 0(09): 20-24.

基于新型多目标浣熊优化算法的BiLSTM-Attention#br# 预测模型及误差分析

BiLSTM-Attention Prediction Model and Error Analysis #br# Based on Novel Multi-objective Coati Optimization Algorithm

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价