基于模糊卡尔曼滤波的短时交通流量预测方法

为解决卡尔曼滤波模型预测交通流量存在的时间滞后性问题,在已有卡尔曼滤波短时交通流量预测模型基础上,结合城市道路交通流日相似性特点,对已有卡尔曼滤波预测模型进行改进,并通过模糊逻辑方法对改进模型中的参数加以确定,设计出模糊卡尔曼滤波交通流量预测模型,从而对短时交通流量进行实时准确预测.数值分析及对比结果表明:相较于卡尔曼短时交通流量预测方法,模糊卡尔曼短时交通流量预测方法能够提升预测过程的实时性,并使平均相对误差降低0.27%,平均绝对相对误差降低7.26%,最大绝对相对误差降低32.43%,进一步提高了预测精度.     

基于预测数据特征的空气质量预测方法

采用LightGBM预测模型对空气质量预测问题进行研究,提出并设计一种基于预测性特征的空气质量预测方法,有效地预测北京市区内未来24 h核心表征空气质量的PM_2.5质量浓度。在构建预测方案过程中,分析训练数据集特性开展数据清洗,利用随机森林与线性插值相结合的方法,解决数据大量缺失以及噪声干扰问题;提出使用预测性数据特征方法,同时设计相关统计特征,提高预测结果的准确性;采用滑窗机制挖掘高维时间特征,增加数据特征数量级;对预测模型的工作性能和结果进行详细分析,并结合基线模型进行对比评价。试验结果表明,基于预测性特征结合采用LightGBM预测模型的方案具有更高的预测精度。     

基于改进LSTM算法的短时交通流量预测

针对短时交通流量预测模型受噪声数据影响预测误差较大的问题, 提出了一种改进的长短期记忆网络(long short-term memory, LSTM)的短时交通流量预测模型---MVF-LSTM 模型, 该模型使用算术平均滤波MVF对LSTM 模型的输入层进行改进, 从而增加LSTM 隐藏层输入的维度, 利用平均相对误差对模型的迭代次数、时间步长和隐藏层神经元的个数进行调整, 提高了模型的预测精度。实验结果表明: 改进的模型平均相对误差降至5%,具有良好的泛化能力,可以更好地反映交通流量的变化特征。     

基于注意力的工业物联网设备剩余寿命预测方法

设备剩余使用寿命预测作为工业物联网实现工业智能的重要功能之一,可基于设备的健康监测数据对其未来退化状态进行预测,以获得设备丧失运行能力前的剩余使用时间,从而制定相应的预测性维修策略,提升工业物联网设备的可靠性、可用性和安全性。提出一种基于注意力机制的设备剩余使用寿命预测方法（Attention-based Remaining Useful Lifetime Prediction,ARULP）。首先在模型训练阶段设计了一种局部注意力计算算法,构建数据驱动的局部注意力计算模型,采用训练数据来计算局部注意力度量,从而获取预测模型关注大量数据中关键信息的能力;然后设计了一种基于局部注意力的相关向量机,通过在其隐变量学习过程中引入局部注意力机制,动态更新注意力权重,从而自适应地调整设备的状态预测模型,提升设备的剩余使用寿命预测精度;最后在模型预测阶段,利用所构建的预测模型进行设备工作状态预测,并计算设备的剩余使用寿命。基于西安交通大学滚动轴承加速寿命试验数据集,与RVM、AR、ARIMA和LSTM四个基准方法进行性能比较。实验结果表明ARULP方法在不同工况下针对轴承外圈故障、内圈故障和保持架故障进行预测时均与轴承实际退化数据最为接近,能够较好地反映故障轴承的退化状态,最终实现对工业物联网设备剩余使用寿命进行高精度地预测。     

基于SVM与自适应时空数据融合的短时交通流量预测模型

针对短时交通流变化周期性与随机性特点,选取时间和空间序列流量观测值作为支持向量机训练样本进行训练,使用空间序列预测值对交通流时间序列预测结果进行修正,并通过对历史时间空间序列预测结果的分析,动态调整其对未来预测的影响,建立基于SVM与自适应时空数据融合的短时交通流量预测模型.最后,将提出的预测模型与支持向量机时间序列预测模型、指数平滑法、多元回归法预测结果进行对比,结果表明:自适应时空数据融合预测模型可将预测平均相对误差控制在4%,明显高于其他模型预测精度.     

融合动静态变量的滑坡多步位移预测方法

针对目前滑坡位移预测模型多以结合降雨、形变等动态变量的单步预测为主,缺乏对多步位移影响因素相关的时间周期等静态变量考虑的问题,提出了融合动静态变量的滑坡多步位移预测模型。首先,运用变量选择网络对初始输入变量进行选择,挖掘与滑坡日位移相关度高的变量,削弱冗余变量对模型的影响。然后,将静态变量集成于网络中,通过对上下文编码进行时间动态相关性调节。最后,以多头注意力模块捕获时序长期依赖关系,实现滑坡多步位移预测。以重庆市新铺滑坡为例,将本文方法与DeepAR、长短期记忆（LSTM）模型进行实验对比,结果表明,本文方法可实现较为稳健的高精度滑坡多步位移预测。     

一种基于动态递归神经网络的交通流量实时预测方法

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施，实时、准确的交通流量预测是智能交通系统实现的关键技术之一。提出了一种基于改进型Elman神经网络的交通流量实时预测方法，由于预测模型中采用的递归神经网络具有动态记忆能力，因而可在网络规模较小的情况下实现对交通流量的快速、准确预测，并用实例验证了所提出的交通流量预测方法的有效性。     

短时交通流智能混合预测技术

为了克服现有单项预测技术对不同交通流状况的局限性,提出一种新的短时交通流智能混合预测模型.该智能混合预测模型包括3个子模型:历史平均模型、人工神经网络模型和模糊综合模型.历史平均模型以历史数据为基础,利用一次指数平滑法良好的静态稳定特性,对交通流量进行预测.人工神经网络模型采用常见的由S函数神经元组成的1.5层前馈神经网络,由于人工神经网络具有强大的动态非线性映射能力,该模型对动态交通流量的预测具有较高的精度和满意度.根据上述2个单项模型的特点,为了充分利用它们对不同交通状况的适应性,进一步提高整体预测效果,采用模糊逻辑来综合这2个单项模型的输出,并把模糊综合模型的输出作为整个智能混合模型的最终交通流量预测值.实际应用结果表明,该混合模型的预测精度高于单项预测模型各自单独使用时的精度,发挥了2种模型各自的优势,是短时交通流预测的一种有效方法.     

基于奇异谱分析和CKF-LSSVM的短时交通流量预测

为了提高短时交通流预测的精度,提出了基于奇异谱分析和组合核函数最小二乘支持向量机(CKF-LSSVM)的短时交通流预测模型。首先,采用奇异谱分析方法,滤除交通流序列的噪声成分。然后,使用降噪后的交通流数据训练CKF-LSSVM,并通过粒子群优化算法确定模型参数。最后,以厦门市的实测数据为基础,对预测模型进行实验验证和对比分析。结果表明:本文所构建模型具有较好的预测效果,能够有效提高短时交通流预测精度。     

一种基于径向基神经网络的组合预测模型

根据基于最近邻聚类算法(NNCA)的径向基(RBF)神经网络和自回归求和滑动平均(ARIMA)两种方法,建立了各自的单项预测子模型,并利用RBF神经网络对两个单项预测子模型结果进行组合预测,得到最终的预测值.将该模型应用于长沙市某路段的交通流量预测,实验结果证明了该预测模型的有效性,采用组合预测模型比单一预测模型的预测精度有了较大提高.     

基于改进型ARIMA-GRNN模型的高边坡变形预测

针对高边坡监测数据的不确定性和实际变形趋势易被强噪声淹没的问题, 提出了一种新的基于EEMD-SVD 的ARIMA-GRNN 模型的预测算法。采用EEMD-SVD 对变形数据进行消噪处理, 利用ARIMA- GRNN 模型对非线性变形数据进行预测。 通过工程实例对比分析, 结果表明: 本文模型不仅能较好地滤除 观测数据中的低频闪烁噪声和各IMF 分量的高频白噪声, 还能提高 ARIMA-GRNN 模型的建模效率, 与其他预测模型相比, 均方误差、平均绝对误差和平均相对误差均有所下降, 且具备较高的精度。     

基于信息熵的软件可靠性多模型动态预测方法

针对经典软件可靠性预测模型中的不一致问题和“变点” 问题,研究了一种基于信息熵的软件可靠性多模型动态预测方法,采用固定步长滑动窗口的动态赋权策略,运用信息熵对多个经典模型预测性能进行动态融合,实现了软件可靠性的综合预测。试验结果表明,在一定步长情况下,基于信息熵的软件可靠性多模型动态预测方法比单个经典模型有更好的预测性能。     

基于超图的多任务注意力交通流预测模型

针对现有的交通流预测模型中的不足,作者提出了基于超图的多任务注意力交通流预测模型HGAT-MTAN,改进了传统的图卷积神经网络。该模型首先利用循环神经网络和超图注意力网络提取多任务的共享特征;接着,为多个交通流预测任务分配私有特征;然后,通过引入多任务注意力机制,在不同任务之间实现正向知识转移;最后,为每个任务设计预测层,得到多个预测结果。将HGAT-MTAN模型与现有的多种交通流预测模型进行对照实验,结果表明,在不同城市的交通流数据集上HGAT-MTAN都取得了优于对照方法的预测性能。消融实验也进一步验证了模型组件的有效性。因此,HGAT-MTAN模型可以为交通流预测提供一种有效的解决方案,并提高交通流数据分析的准确性和可靠性。     

考虑上下游的LSTM短时交通流量预测

使用基于LSTM循环神经网络的短时交通流量预测模型分析了不同输入配置对交通流量预测精度的影响。首先,比较了同一车辆检测站点处交通流量、速度和占有率数据的不同组合对短时交通流量预测的影响。实验结果表明,在模型输入中包含速度/占有率信息整体来说可以增强模型的预测性能。为了在模型中引入空间信息,我们进一步考虑了目标车辆检测站点上下游的交通流量状况,分别测试了包含目标车辆检测站点和上下游6个车辆检测站点在内的16种不同的输入组合。实验结果表明,在模型中引入上下游交通信息可以显著提高短时交通流量预测的精度。     

多模态的交通流量预测模型

针对交通状态的多模态性,提出了多模态的交通流量预测方法.引用道路服务水平将交通状态分为6级(类)模态,并研究了不同模态与流量之间的对应关系.多模态的交通流量预测模型根据历史数据判断交通模态的改变情况,在整合自回归移动平均模型(ARIMA)预测的基础上,利用模态修正函数动态调整ARIMA预测中产生的时滞误差.以实际交通流...     

一种改进的GM(1,1)模型在交通量预测中的应用

建立了GM（1,1）循环残差修正模型,并与经典GM（1,1）进行比较,考察改进模型的预测效果。结合经典GM（1,1）模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模。通过Matlab软件编程实现了该模型,并将其应用于常熟市某无检测器交叉口每五分钟测得的交通流量预测。将本模型应用于交通流量预测建模上,其结果明显好于经典GM（1,1）模型,且预测效果更好。本模型基于经典GM（1,1）模型建立了GM（1,1）循环残差修正模型。根据实证分析和比较发现,该预测模型是合格的,并且拟合精度较高。     

交叉口短时流量CEEMDAN-PE-OSELM预测模型

为提高交叉口短时交通流预测精度,以历史交通流量数据为基础,提出一种基于自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-排列熵(permutation entropy,PE)-在线序贯极限学习机(online sequential extreme learning machine,OSELM)组合预测模型(CEEMDAN-PE-OSELM).首先对交通流历史时间序列数据进行CEEMDAN分解,得到多个本征模态函数(intrinsic mode function,IMF)分量;通过PE算法对IMF分量进行重组,形成具有复杂度差异的重组子序列.然后,分别构建重组子序列OSELM预测模型,将预测结果相加得到最终预测流量.最后选取一实际交叉口,进行模型验证分析.结果表明:CEEMDAN-PE-OSELM模型的MAE、MAPE和MSE的值均低于其他模型,预测误差最小;EC值为0.963,高于ARIMA模型的EC值(0.898),最接近于1,预测精度最高,稳定性最好.就同一预测模型而言,经过CEEMDAN-PE处理的模型的各项误差明显降低,预测精度有所提高.     

基于改进DeepAR的变电站防汛风险概率预测

变电站防汛风险概率的准确预测对提高电网防汛能力、健全汛情预警系统有着重要意义。变电站防汛影响因素不仅有动态气象数据,还有变电站集水井容积、水泵排水量、防汛物资储备及地势、水文特征等静态数据,动静结合给防汛风险预测带来困难。作者提出一种多因素融合的变电站防汛风险概率预测方法。首先对变电站多维防汛数据进行预处理及特征优选;然后利用优选的自回归循环神经网络(Autoregressive recurrent neural network, DeepAR),构建防汛风险概率预测模型,并通过注意力机制加强模型对多维防汛动态气象数据时序特征的挖掘能力,同时采用动态L2正则化策略加强对多维防汛数据的适应性,提高模型泛化能力;最后在实际站点数据上的实验表明,相较于主流机器学习和深度学习预测算法,文中算法预测结果更准确,为变电站防汛风险预警奠定基础。     

基于混合BP神经网络的原油管道电耗预测研究

原油管道电耗的准确预测能够用于控制原油管道耗能水平,充分挖掘原油管道输送系统的节能潜力。实际采集到的原油管道运行数据具有波动范围大的特点,且存在严重的噪声干扰和信息冗余,对精确预测管道电耗造成不良影响。为解决上述问题,提出一种基于混合神经网络的电耗预测模型。利用自适应噪声的完备集成经验模态分解,对原油管道日运行数据进行分解;利用主成分分析对分解后数据做降维处理;利用改进粒子群算法调节神经网络结构参数;使用该模型预测某原油管道电耗,并与常见的几种预测模型展开对比。结果表明,分解算法能够提高模型预测精度;该混合神经网络模型预测精度最高,其测试集的平均绝对误差为5.394%,较使用分解算法前降低39.200%。     

动态Elman网的城市公路隧道交通流量模型

城市公路隧道内任意时段交通流量的变化是个非线性的复杂过程,受诸多随机的不确定因素的影响.传统的时间序列模型多使用BP网络,但BP网络是静态网络,它只是实现一一对应的静态非线性映射关系,不适合动态系统的实时辨识,难以实施精确预测.在对城市公路隧道动态交通流分析的基础上,提出了城市公路隧道交通流量预测的动态神经网络模型,该模型基于Elman网络,具有状态记忆的功能,用Elman网络建立的时间序列模型是一个自回归滑动平均模型.它的输出不仅取决于过去和现在的输入,而且也取决于过去的输出.使用该模型仿真预测武汉首义广场隧道的交通流量,试验结果表明,该方法能够更好的提高预测精度.