基于卡尔曼滤波理论的实时行程时间预测模型

行程时间预测是交通流诱导系统研究的一项重要内容．在分析各种行程时间预测方法的基础上,本文利用卡尔曼滤波理论建立了行程时间预测模型, 利用实测的交通流量预测几个时段后的路段行程时间, 进而预测路径行程时间．文中利用三种方法预测行程时间并对结果进行了分析     

混沌序列自适应多步预测及在股票中的应用

针对混沌时间序列自适应预测方法在多步预测中预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,提出了一种自适应多步预测方法.在多步预测中,该方法根据已知样本得到对将来值的预测值并能自适应调节滤波器系数.仿真结果表明此方法的多步预测性能明显好于自适应预测方法的多步预测性能.将此方法应用于对股票数据的预测,得到了较好的预测结果.     

基于卡尔曼滤波的动态OD矩阵估计

建立了动态OD矩阵估计的状态空间模型,通过对路段车流量和行程时间的检测以估计时变的OD数据,并对其中关键的分配矩阵给出了解析的计算公式.采用扩大状态变量的卡尔曼滤波,得到了OD估计的实时递推算法.仿真实验表明算法非常有效.     

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于模型的有限预测逆跟踪控制

针对水下无人潜航器(unmanned underwater vehicle,UUV)非最小相位的特性,提出利用有限预测逆方法实现其精确的跟踪控制.利用系统逆方法计算当前时刻t_c的有界的逆输入,需要已知所有未来时刻的理想输出信息.为了有效利用未来时刻的理想输出数据,并提高计算效率,提出将时间窗内理想输出的预测信息用于逆算法中,来求取控制输入值,从而实现对UUV的路径跟踪控制.有限预测逆方法是利用从当前时刻到未来T_p时刻内的理想路径来获得逆输入,可以实现在线控制.通过给定的精确逆输入与利用有限预测逆方法所求得的输入之间的误差,对参数T_p和m进行优化.通过实验验证了该方法的有效性,并对比说明了跟踪误差与优化参数T_p之间的呈指数递减的关系.     

基于改进的Dijkstra算法的动态最短路计算方法

首先将所研究的时间段进行时段划分, 然后基于每个路段在每个时段内的历史平均速度给出了改进的Dijkstra算法, 它可以给出任意时刻从任意节点位置出发到达任一目的地的行程时间最短的路径及其相应的行程时间; 其次在允许超车行为存在 的条件下将出行者进行分类, 并给出了相应的最短路算法. 论文最后给出了相应的算例验证了算法的可行性.     

EKF在多变量混沌序列辨识中的应用

运用扩维技术以及扩展卡尔曼滤波算法的跟踪辨识特性同步实现对多变量混沌序列的精确预测和混沌系统主动态方程的参数辨识。利用典型混沌方程与所观测时间序列的吸引子特性比较，较准确地确定系统初始状态。对理想Roessler三个变量的时间序列和大连市气温降雨二变量时间序列进行仿真并与递推最小二乘法进行比较，结果表明该方法的有效性。     

基于粒子滤波优化的滚动式时间序列多步预测

针对复杂的应用环境下,时间序列建模不易准确,多步预测精度不高的问题,提出基于粒子滤波（particle filter, PF）优化的滚动式时间序列（roll time series, RTS）多步预测算法(PF_RTS)。采用Box-Jenkins方法对时间序列滚动自适应建模,所建模型作为粒子的状态转移方程,利用粒子滤波算法实时动态修正预测数据,逼近状态的最优估计。本文算法具有自学习能力,适合实时应用。仿真结果表明,本文算法需要的先验知识少,提高了预测的精度。     

面向个性化交通信息服务的车辆行驶路径关联规则挖掘

为了向驾驶者自动提供个性化的交通服务信息，需要对车辆行驶路径进行分析和预测.面向基于RFID的个性化交通服务系统，提出改进的车辆行驶路径关联规则挖掘方法，挖掘车辆历史行驶路径数据中的频繁序列模式，由频繁序列模式产生序列关联规则，根据当前行程车辆已行驶的路径，实现对车辆未来行驶路径的预测.本方法主要通过0-N数据结构和候选2-序列产生方法的改进，提高车辆行驶路径序列模式挖掘的效率.最后，通过数据测试验证了改进算法在运行效率上与GSP相比的性能优越性.     

一种基于需求景气分析和“幼稚预测”思想的需求预测模型

根据汽车生产企业和宾馆企业需求预测问题的基本特点,利用需求时间序列及其变化曲线,提出了一种基于需求景气分析和"幼稚"预测思想的定量预测模型,即首先划分产品的景气变化模式,然后寻找当前点状态的最佳历史匹配,并据此给出需求预测值.本文给出了模型的相关定义及算法,并以宾馆和汽车生产企业的实际需求数据为应用对象,检验了该模型的预测性能.试验结果表明,该方法具有较理想的预测精度.     

基于暂态挖掘的非线性时间序列故障预报

针对实际工程系统故障建模困难、现有故障预报方法实时性差的问题.从一类挖掘的角度,设计了一种基于一类支持向量机的时间序列暂态挖掘算法,提出了一种既不需要系统近似模型也不需要故障训练数据和先验知识的直接故障预报方法.在系统运行的同时实现学习和预报.提高了实时性.同时该方法简单易用,克服了传统方法在预报故障前需要预测系统未来状态的缺点.具有很强的应用意义.以釜式反应嚣为对象进行的仿真实验证明了方法的有效性.     

基于出行时间可靠性的城市交通网络设计

现实城市交通中,日常出行需求经常发生变动且路段能力一般处于恶化状态下,在假设出行时间和出行需求变动服从正态分布的情况下,建立了基于出行时间可靠性的城市道路交通连续网络设计模型。由于现实数据获取的困难性,设计了结合仿真技术的遗传算法来求解该问题。通过算例分析表明,建立的模型是有效的,其求解算法是可行的。     

基于支持向量机方法的轨道交通乘客旅行时间短时预测方法研究

目前,北京市已建成总长456km的轨道交通网络,41个换乘枢纽,已基本形成网络化运营,轨道交通在北京公共交通系统乃至城市交通系统中发挥越来越大的骨干作用. 同时,由于北京城市空间调整,城市交通出行活动中心有随城区扩展外移之势,轨道交通出行旅行时间越来越受到关注. 因此,本文研究基于历史数据的轨道交通乘客旅行时间预测方法,引入支持向量机回归模型,并针对预测算法中模型参数的选择问题,提出基于遗传算法的预测模型参数寻优算法,用以提高预测精度. 最后选取实际轨道交通运营线路的动态信息进行计算,预测结果误差小于10%,获得了较高的精度. 生成的旅行时间预测信息,通过乘客信息系统的发布,能够有效减少旅客换乘走行与等待时间,均衡网络客流分布,提高轨道交通网络运营效率.     

Modified state prediction algorithm based on UKF

The state prediction based on the unscented Kalman filter (UKF) for nonlinear stochastic discrete-time systems with linear measurement equation is investigated. Predicting future states by using the information of available measurements is an effective method to solve time delay problems. It not only helps the system operator to perform security analysis, but also allows more time for operator to take better decision in case of emergency. In addition, predictive state can make the system implement real-time monitoring and achieve good robustness. UKF has been popular in state prediction because of its advantages in handling nonlinear systems. However, the accuracy of prediction degrades notably once a filter uses a much longer future prediction. A confidence interval (CI) is proposed to overcome the problem. The advantages of CI are that it provides the information about states coverage, which is useful for treatment-plan evaluation, and it can be directly used to specify the margin to accommodate prediction errors. Meanwhile, the CI of prediction errors can be used to correct the predictive state, and thereby it improves the prediction accuracy. Simulations are provided to demonstrate the effectiveness of the theoretical results.     

基于BP神经网络的路径行程时间实时预测模型

行程时间预测是交通流诱导系统研究的一项重要内容．在分析各种行程时间预测方法的基础上,本文建立了基于ＢＰ神经网络的行程时间实时预测模型,编制了行程时间预测软件系统．利用长春市的交通实测数据对行程时间进行了预测     

船舶姿态运动实时预报算法研究

根据大型舰船在随机海浪作用下的非平稳运动特性,提出基于AR模型的实时建模预报方法,详细讨论了改进隅角实时快速定阶算法和RLS递推在线参数辨识方法。针对典型航行工况,对船舶纵摇运动进行了仿真研究,并与AIC定阶算法进行了比较。仿真结果表明:AR算法适用于舰船在非平稳运动情况下的建模预报。AIC准则、改进隅角两种定阶方法均可实现AR模型阶数的在线估计问题,预报长度均可达到7-10秒,但改进隅角定阶算法简单,独立性好,易于编程实现,预报实时性好。该方法在理论和工程应用方面具有重要的意义。     

区域通行能力与出行时间可靠性综合仿真模型

在城市路网中,路段通行能力退化和交通需求随机波动都会增加路网的不确定性。为研究路网中单个区域的交通可靠性问题,通过采用区域备用能力作为综合性能指标,建立了度量区域交通服务水平的双层规划模型。基于此提出了区域通行能力和出行时间综合可靠度的概念及其Monte Carlo仿真算法。最后通过一个数值算例对模型和仿真算法进行验证,仿真结果说明了区域通行能力、服务水平与可靠性之间的相互替代关系。     

基于关联向量机回归的故障预测算法

针对一类故障预测问题提出了一种基于关联向量机(relevance vector machine, RVM)回归的故障预测算法。算法首先采用关联向量机模型对对象历史数据中隐含的故障演化信息进行学习,然后将所获取的关联向量机模型用于对象故障未来变化趋势的预测。预测过程采用多步时间序列预测中的递推计算的思想,并且将每一步预测的不确定性作为下一次预测迭代的输入要素加以充分的考虑。迭代过程中的一些关键量的获取采用了蒙特卡罗采样计算的思想,避免了对关联向量机核函数选取的限制。算法预测输出采用对象系统剩余寿命的随机分布形式,相对于传统预测算法的确定值形式的输出更加符合实际。将所提算法与传统算法进行比较,仿真实验结果证明所提算法要优于传统故障预测算法。     

行驶时间延迟下配送车辆调度的干扰管理模型与算法

针对行驶时间延迟下配送车辆调度的干扰管理问题,给出了车辆调度人员实际操作中的一系列"救援模式",并将其提炼为计算机可以理解并处理的形式化知识;按照车辆调度人员的"救援路线列举→救援路线选择"两阶段的思维方式,以顾客时间窗偏离程度最小化和配送成本最小化为目标,建立了问题的数学模型及其求解算法. 通过初步的实验,确定了算法的参数配置;在Solomon提出的标准算例上对算法的鲁棒性、求解结果的质量、以及求解性能等几项指标进行了测试及与文献算法的比较;最后对算法进行了实时化的处理. 实验结果表明,本文算法不仅达到了多目标优化的效果, 而且可以满足实时应用的要求.