状态演化模式挖掘在交通流预测中的应用

在交通流诱导中，交通流量的预测是研究热点。为了提取交通流变化的特征规律，针对交通流的数据特点，采用了状态演化模式挖掘的框架对其进行挖掘，提出了一种交通流量模式和规则发现的方法，并且通过实验对这种方法进行了验证。     

基于BP神经网络的路口短时交通流量预测方法

交叉路口是一个城市交通的重要组成部分，其各方向的交通流量预测更是该城市智能交通系统中的重中之重，本文提出一种基干BP神经网络预测路口短时交通流量的方法，该方法将路口其他非预测方向和交通信号配时方案对流量预测的影响因素考虑在内。     

小波支持向量机在交通流量预测中的应用

交通流量预测是智能交通管理系统的基础,预测某段单位时间内交通流量,难以准确刻画交通流量的时变性、突发性和非线性等变化规律,传统方法使交通流量预测精度低.为了提高交通流量的预测精度,提出小波分析的支持向量机预测模型,并应用于交通流量预测中.模型首先对交通流量进行小波分解,使交通流量平稳化,得到交通流量信号的高频和低频部分,采用支持向量机进行预测,最后将高频和低频部分的预测结果采用小波重构,获得最终预测值.仿真结果表明,小波支持向量机模型提高了交通流量预测精度和预测速度,为交通流量准确预测研究提供了依据.     

基于非凸低秩稀疏约束的船舶交通流量预测

为有效预测船舶交通流量,利用非凸低秩稀疏分解模型将交通流量数据分解成低秩和稀疏两部分,然后采用自回归移动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)分别预测低秩和稀疏部分,进而合并得到最终的船舶交通流量预测结果;最后以天津港2003-2014年船舶交通流量历史数据为例进行模型验证和预测分析。实验结果表明,本文方法较神经网络模型能够显著地提高船舶交通流量的预测精度,为船舶交通流量预测提供了一种新的预测方法。     

基于时空相关性的短时交通流量预测方法

新一代智能交通系统的智能出行、交通大数据智能化决策需要精准及时的短时交通流量预测,深度学习通过机器学习技术自身产生特征,可为短时交通流量预测提供解决方法。以深度学习模型为基础,提出一种结合Conv-GRU和Bi-GRU的短时交通流量预测方法,利用卷积-门控循环单元提取交通流量的时空特征,通过双向门控循环单元提取交通流量的周期特征,将提取的特征进行融合得到交通流量的预测值。实验结果表明,该方法能够准确地预测短时交通流量,与Conv-LSTM方法相比,收敛速度较快,具有更短的运行时间。     

基于深度学习的交通流量预测研究

交通流量序列具有不平稳性、周期性、易受节假日等因素影响的特点，因此交通流量预测是一项困难的任务。针对交通流量序列的预测问题，设计了一种基于深度学习的交通流量预测模型。模型融合了卷积神经网络和长短时记忆神经网络两种网络结构，卷积神经网络用于提取特征分量，长短时记忆神经网络综合提取出来的特征分量做序列预测。通过在贵州省高速公路车流量数据集上的验证，模型比传统的预测方法具有更高的精确度和实时性，在不同数据集上的泛化性能良好。     

基于增加动量项方法优化的交通流量预测算法

交通流量预测是智能交通系统的核心内容,系统中多个功能的实现都是以其为基础。针对城市路网中交通流量的时域性以及准周期特性,提出了一种基于改进小波神经网路算法的交通流量预测方法。利用具有时域分辨能力的小波神经网络对流量信号进行分类,以实现对交通流量的预测;采用加动量项的方法对网络权值及参数进行修正,避免了神经网络训练时收敛缓慢以及陷入局部极小。通过仿真实验验证,提出方法可实现对交通流量的准确预测,并且可以有效地提高网络学习率。     

基于时空信息的交通流预测

交通流量预测是城市道路交通信号控制中的重要组成部分。为了提高预测的准确性,基于路口视频检测器数据,提出了一种交通流量预测的交通数据分析方法。随着逐年提高的计算能力,深度学习方法进行短时交通流预测越来越流行,经典的交通流量预测方法通常只能根据被预测道路自身的数据进行分析和决策,而往往较少考虑由同一区域不同道路之间的交通流量关联性。基于城市核心路网交通数据,提出一种基于时空信息的TS-LSTM模型,并与其他经典模型进行比较,所得出的结果验证了相比其他方法而言,该模型具有较高的预测精度。     

小波神经网络在短时交通流量预测中的应用

研究在短时交通流量预测问题,短时交通流量存在随机性和非线性因素,影响预测的准确性。传统预测模型难以反映交通流量变化特点,同时传统神经网络易陷入局部极小值,泛化能力差,交通流量预测精度低。为了提高短时交通流量预测精度,提出一种小波神经网络的短时交通流量预测模型。小波神经网络可以对短时交通流量随机性、不确定性进行局部分析,并进行非线性预测,验证了模型的有效性,进行了对比试验。验证结果表明,小波神经网络提高了短时交通流量预精度,预测结果更具应用价值。     

交通流量经验模态分解与神经网络短时预测方法

基于经验模态分解（EMD）和神经网络,提出了一种短时交通流量预测方法。通过EMD分解把交通流量分解成不同的模态,利用神经网络对分解后的各分量进行预测,再将预测值累加得到最终的预测结果。利用EMD与神经网络模型对I-800数据库实测交通流量数据进行预测,结果表明该方法具有很高的预测精度,明显优于直接采用神经网络的预测结果。     

WSN目标定位动态预测方法研究

针对固定预测时间间隔下目标机动对无线传感器网络目标定位预测效果影响较大的问题,分析目标预测误差产生机理及主要影响因素,提出WSN目标定位动态预测方法。该方法根据目标预测模型构造预测时间增量函数,通过固定预测时间增量函数取距离自变量值动态调节目标预测时间间隔,实现目标运动状态自适应动态目标预测。仿真平台分别应用运动学预测、粒子滤波预测方法建立预测模型,并进行目标预测实验;结果表明,目标机动情况下,目标动态预测方法误差相比固定预测时间时间间隔方法分别减小18.5%、12.8%,动态目标预测方法能较好改善机动性目标预测效果,增强预测方法对目标运动变化的自适应能力。     

利用矩阵补全优化模型进行动态网络链接预测

动态链接预测是网络数据挖掘领域的一个重要课题,主要原理是根据以往的网络结构预测未来的网络结构状态。目前,静态链接预测已得到充分研究,但对动态链接预测的研究却比较稀少。根据网络链接的结构特点,将矩阵补全方法引入动态链接预测问题中,进一步受核矩阵分解的启发,建立了核矩阵补全模型,将数据映射到高维空间中,使得链接中的非线性关系转化为线性关系,从而使得模型能够处理更复杂的网络结构。通过在三个公开网络数据集上进行实验,验证了矩阵补全优化方法和核方法在动态链接预测中的有效性和准确性。     

基于模态区间-马尔科夫链的动刚度预测

动刚度反映着数控加工过程中的稳定性,对加工精度有直接影响.对动刚度进行预测,预知动刚度的变化趋势,可为处理数控机床动刚度劣化问题提供指导作用.传统的马尔科夫链模型预测方法难以处理不确定性问题,将降低预测结果的可靠性.将模态区间数学理论应用于传统马尔科夫链中,提出一种基于模态区间-马尔科夫链模型的预测方法,以提高预测结果的可靠性.为了验证提出的预测方法的有效性,设计了一个数控机床相对激振实验.通过相对激振方法获取历史动刚度数据,采用模态区间-马尔科夫链模型对动刚度劣化趋势进行预测.结果表明:提出的预测方法有一个更好的预测精度.     

基于集成学习的动态链接预测方法

链接预测是社会网络分析领域的关键问题。传统的链接预测方法大多针对社会网络的静态结构预测隐含的链接或者将来可能产生的链接,而忽视了网络在动态演变过程中的潜在信息。为了能更好地利用网络演变的动态信息,从而取得更好的链接预测效果,提出了一种基于网络结构演变规律的链接预测方法。该方法使用机器学习技术对网络结构特征的动态变化信息进行训练,学习每种结构特征的变化并得到一个分类器,为每个分类器加权得到最终集成的结果。在三个现实的合著者网络数据集上的实验结果表明,该方法的性能要高于静态链接预测方法和一个相关的动态链接预测方法。这说明,网络结构演变信息有助于提高链接预测效果。此外,实验还表明,不同的结构特征对网络动态变化的刻画能力也有所差别。     

动态贝叶斯最小二乘支持向量机

为了对涡扇发动机的运行参数变化进行实时高精度预测,提出一种基于动态贝叶斯最小二乘支持向量机(LS-SVM)的时间序列预测算法。该算法将贝叶斯证据框架理论用于推断LS-SVM的初始模型参数;然后,利用样本增减迭代学习算法实现LS-SVM的参数动态调整。对某型涡扇发动机的摩擦力矩时间序列进行动态预测,并与动态LS-SVM模型的预测结果进行比较。结果显示,动态贝叶斯LS-SVM具有较好的预测精度。     

基于SSA-PPR模型的河流枯季径流量变化预测方法

河流枯季径流量的实时变化影响着对其预测结果的精确性，为得到准确的预测结果，提高预测效率，提出一种基于SSA-PPR模型的河流枯季径流量变化预测方法。采用SSA-PPR模型构建河流枯季径流量变化预测的大数据统计分析模型，采用量化统计特征分析方法实现对径流量动态变化特征的挖掘，得到变化统计特征量，并结合模糊信息挖掘和自适应学习得到河流枯季径流量变化的动态解析结果。根据解析结果进行流量变化的动态分类识别，完成对河流枯季径流量变化的准确预测。仿真结果表明，本文方法的预测结果准确性较高，自适应性较好，且预测效率较高，有效提高了预测过程的收敛性，对量化分析河流枯季径流量变化具有很好的指导意义。     

灰色动态预测在AUV传感器故障诊断中的应用

针对自主水下机器人(AUV)传感器故障诊断中样本数据少、随机性强、实时性要求高的特点,将灰色动态预测模型的建模原理引用到AUV传感器的故障诊断中。在对传感器进行数据滤波、小样本灰色建模与灰色动态预测的基础上,可以实现AUV传感器的实时故障诊断。文章详细阐述了基于灰色动态预测的传感器故障诊断的具体实现方法和步骤,对AUV传感器中典型的四种故障模式进行了仿真研究。结果表明该方法能快速、准确地诊断出传感器故障,并且在传感器发生故障后的一段时间内能够实现信号恢复。     

基于特征融合的抽油机井检泵周期预测

检泵周期是反映抽油机井工作情况的重要指标,准确预测检泵周期对提高油井产能和经济效益具有重要意义。针对油田检泵周期预测准确率低等问题,提出一种基于特征融合抽油机井检泵周期预测方法。该方法引入SVR提取油田数据的静态特征,利用卷积神经网络学习油田数据的动态特征,引入多模态压缩双线性池化对静态特征和动态特征进行融合,利用判别模型训练融合特征实现检泵周期的准确预测。实验结果验证了该模型的有效性和可行性。     

基于频繁闭图关联规则的AS级Internet链路预测方法

目前大多数链路预测方法都是针对丢失链路的结构性预测,缺乏针对未来时刻网络链路的时序性预测,为此提出了一种基于频繁闭图关联规则的链路预测方法。将形式化后的动态网络划分为训练集和测试集,基于Apriori思想从训练集中提取频繁闭图,并根据频繁闭图的时间间隔建立时延分布矩阵,用于表征频繁闭图之间的时序关联规则,在此基础上预测测试集中的网络结构。将该方法运用于不同时间尺度下的AS级Internet动态网络中,结果表明,该方法能够以很高的精确率预测波动型动态网络的链路。     

开放式动态网络中可渗透路径预测方法仿真

针对机器学习、生物免疫以及条件概率算法下的三种可渗透路径预测方法存在的空间复杂度高、预测覆盖面小问题,提出基于贝叶斯算法的开放式动态网络可渗透路径预测方法。方法对贝叶斯算法进行描述,并基于贝叶斯算法设计可渗透路径预测方法,分析开放式动态网络可渗透过程,然后对可渗透数据进行采集并处理,提取可渗透特征,建立基于贝叶斯算法的预测模型,实现可渗透路径预测。结果表明,与机器学习、生物免疫以及条件概率算法下的三种可渗透路径预测方法相比,所提方法空间复杂度最低,预测覆盖面最大,最高可达98%。