Page 53 - 2023年第54卷第7期
P. 53
图 ４ 监控灌浆流量数据说明 图 ５ 数据窗口移动说明
４．２ 结果分析 本研究基于配置为 Ｉｎｔｅｌ（Ｒ）Ｘｅｏｎ（Ｒ）ＣＰＵ，ＮＶＩＤＩＡＮＶＳ３１５显卡和 ８ＧＢ内存的计算
机进行灌浆流量的预测计算。多头注意力 Ｔｒａｎｓｆｏｒｍｅｒ算法的参数设置如下，迭代次数为 １０００，编码器
?解码器输入中预期特性的数量 ｄ 为 ３２，注意力多头数目为 ８，编码层数为 ３，解码层数为 ３，前向
ｍｏｄｅｌ
２
神经网络维度为 ３２，残留终止参数设置为 ０．１。选取 ＲｏｏｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ（ＲＭＳＥ），Ｒ分数，Ｍｅａｎ
ＡｂｓｏｌｕｔｅＥｒｒｏｒ （ＭＡＥ），ＭｅａｎＡｂｓｏｌｕｔｅＰｅｒｃｅｎｔａｇｅＥｒｒｏｒ（ＭＡＰＥ）作为算法精度评价指标，指标的定义如
ｎ
∑ （ｙ－ ｙ′ ） ２
ｉ
ｉ
１ ｎ ｉ ＝１ １ ｎ １ ｎ ｙ′ － ｙ
ｉ
ｉ
２
２
下：ＲＭＳＥ ＝ ∑ （ｙ－ ｙ′） ， Ｒ ＝ １ － ， ＭＡＥ＝ ∑ ｙ′ － ｙ ，ＭＡＰＥ＝ ∑ ，其
槡 ｎ ２ ｎ ｉ ＝１ ｎ ｉ ＝１ ｙ
ｉ
ｉ
ｉ
ｉ
ｎ ｉ ＝１
ｉ
∑ （ｙ－ 珋
ｙ）
ｉ
ｉ ＝１
中，ｙ为真实值，ｙ′为预测值。如表 １所示，分别设置输入数据和输出数据的个数进行训练和预测，
ｉ ｉ
得出输入数据个数选取 ９６且输出数据个数选取 ２４灌浆流量预测精度最高。如表 ２所示，选取不同编码
器?解码器输入中预期特性的数量 ｄ 对灌浆流量进行预测，得出当 ｄ 设置为 ６４时预测精度最高。
ｍｏｄｅｌ ｍｏｄｅｌ
表 １ 不同输入和不同输出个数的算法预测精度对比
输入个数 输出个数 ＲＭＳＥ Ｒ ２ ＭＡＥ ＭＡＰＥ
１２ ４ ８．２４６ － ０．３２４ ６．１３３ １７．３５７
１２ ６ ８．０１５ － ０．２５１ ５．９３７ １７．５８１
１２ １２ ７．６９２ － ０．１５２ ６．１９０ １８．０５０
６ ２ １１．４２６ － １．５４２ ７．８８１ ２２．１０３
６ ３ ６．９２３ ０．０６７ ４．９６２ １３．３２５
６ ６ １０．１３７ － １．００１ ８．２５４ ２３．１０８
４ ２ ８．１４３ － ０．２９１ ５．５５９ １６．４００
４ ３ ７．４３２ － ０．０７６ ５．３２６ １５．１４８
４ ４ ７．７９９ － ０．１８４ ５．７８０ １５．９２３
１２ １２ ７．６９２ － ０．１５２ ６．１９０ １８．０５０
２４ １２ ８．０４７ － ０．２６１ ６．２４２ １７．８８０
３６ １２ ８．６６４ － ０．４６１ ６．９９９ １９．７９８
４８ １２ ８．５２８ － ０．４１６ ６．０８８ １８．２０６
２４ ２４ ９．０４０ － ０．５９１ ７．０６４ １９．２４２
４８ ２４ ８．６９９ － ０．４７４ ６．２６４ １８．１９４
７２ ２４ ８．４０４ － ０．３７５ ６．６５４ １８．１１１
９６ ２４ ７．２３９ － ０．０２０ ５．２８５ １３．９３８
— ８ １ １ —
