基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测

及时准确的交通流信息对于智能交通系统的实现至关重要。针对现有预测方法不能充分利用交通流的时空特征,进而不能很好地提取交通流序列内在规律的问题,提出了一种结合卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的深度学习预测模型(C-BiLSTM),在网络底层利用一维CNN来捕获观测点交通流数据的空间特征,然后输入到双向LSTM网络提取时间周期特征,最后由全连接层输出预测结果。使用美国交通研究数据实验室的实测交通数据进行验证,结果表明,所提出的C-BiLSTM组合模型具有更高的准确性,其性能相比双向LSTM网络预测模型提升了1. 6%,相比单向LSTM网络预测模型提升了6. 6%,是一种高精度的交通流预测模型。     

基于数据增强和卷积神经网络的多轴承剩余寿命预测

轴承的健康状态与设备安全可靠运行息息相关,在现代制造系统中,轴承剩余使用寿命(Remaining Useful Life,RUL)预测已成为研究热点.文中提出了通过数据增强来提取轴承衰退特征并利用卷积神经网络(Convolutional Neural Network,CNN)进行轴承RUL预测的方法.该方法首先将均方根、峰值和峰度作为时域特征,频谱分区求和(FSPS)特征作为频域特征,经过数据增强将18维时域和频域特征增加到108维,从而得到全面反应轴承退化过程的信息.通过搭建卷积神经网络(CNN),利用CNN处理高维特征的能力实现轴承RUL预测.最后,试验结果证明文中所提方法相对DNN模型、SVM模型具有更高的预测精度.     

基于LSTM-RF模型的城市道路交通流预测

交通流预测作为信号协调和出行时间预测等任务的基础,成为了交通领域的研究点。对于交通流预测问题,研究人员提出了多种方法,但这些方法大多只使用交通流数据的时域信息进行交通流预测,忽略了空间相关性对于预测目标路段流的影响,导致预测精度不理想。基于组合模型的思想提出了一种称为LSTM-RF的交通流预测模型。在交通流预测过程中,首先使用LSTM模型提取预测目标路段的时序特征,再将其预测值与采集的相邻上下游路段信息同时作为随机森林模型的输入特征,进行交通流时空相关性分析,获得最终的预测结果。并通过贵阳市车牌识别系统采集的城区132条路段的交通流数据进行实验验证。结果表明:该方法在预测精度上优于单一模型,并且预测误差相比单一模型有明显减少。     

基于LSTM-RF模型的城市道路交通流预测（英文）

交通流预测作为信号协调和出行时间预测等任务的基础,成为了交通领域的研究点。对于交通流预测问题,研究人员提出了多种方法,但这些方法大多只使用交通流数据的时域信息进行交通流预测,忽略了空间相关性对于预测目标路段流的影响,导致预测精度不理想。基于组合模型的思想提出了一种称为LSTM-RF的交通流预测模型。在交通流预测过程中,首先使用LSTM模型提取预测目标路段的时序特征,再将其预测值与采集的相邻上下游路段信息同时作为随机森林模型的输入特征,进行交通流时空相关性分析,获得最终的预测结果。并通过贵阳市车牌识别系统采集的城区132条路段的交通流数据进行实验验证。结果表明:该方法在预测精度上优于单一模型,并且预测误差相比单一模型有明显减少。     

行驶时间估测及多点交通流数据融合

本文对交通流进行仿真,收集多点的检测数据,验证估测方法并且引入结合车流密度的检测方法.首先,文章对已有的估测方法作了简要回顾,然后根据仿真模型的结果发现交通流量的融合对于在交通拥挤条件下有更好的估测结果,并进一步提出一种融合交通密度的新方法.最后,对将来数据融合方法在行驶时间估测中应用的方向进行了讨论.     

基于EMD-SVR的排气温度裕度预测

排气温度是发动机运行状态的重要性能表征参数之一,通过对多个飞行架次的排气温度裕度(Exhaust Gas Temperature Margin,EGTM)进行预测分析,能够有效表达发动机的工作性能,从而为后续故障预防及检测提供理论依据。针对EGTM数据的非线性、非平稳特征,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)与支持向量回归(Support Vector Regression,SVR)相结合的预测方法。通过EMD方法对EGTM数据进行分解以降低时间序列的复杂程度;然后根据EMD得到的各本征模态函数及趋势序列,构建基于SVR的预测模型;最后将所得的各分量的预测结果综合以得到EGTM的预测结果。以某航空发动机EGTM数据作为验证,结果表明,相比于传统的预测方法,RMSE与MAE分别降低了77.76%、80.62%,有效提高了回归精度。     

支持向量回归法在抽油机系统效率信号经验模式分解中的应用

应用经验模式分解(EMD)方法分析抽油机系统效率变化的趋势项。讨论了EMD方法的端点效应。为了解决EMD的端点效应,首先应用支持向量回归(SVR)方法对抽油机系统效率测试数据进行回归和预测,与实测数据对比表明SVR回归和预测具有较高精度;然后应用SVR方法对系统效率测试原始数据进行双边延拓,对延拓后的数据信号进行经验模式分解。延拓前后分解所得的效率变化趋势对比表明,SVR方法可以有效地解决EMD的端点效应,提高抽油机系统效率变化趋势的预测精度。     

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。     

考虑转动周期的轴承剩余使用寿命预测EI北大核心

滚动轴承广泛应用于各类旋转机械设备,其健康状况对机器设备的正常运行至关重要,掌握其剩余使用寿命(RUL)可以更好地保证生产活动安全有效的进行。目前,基于深度学习的轴承RUL预测方法均致力于对整体趋势特征的把控,而忽略了对各转动周期间相互依赖特征的挖掘。针对这一问题,提出一种考虑转动周期的轴承RUL预测网络——双通道网络模型。该预测网络使用卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)来提取轴承振动数据的整体趋势特征,并引入注意力机制来增强模型的特征提取能力。利用基于转动周期的跳越循环神经网络组件来捕捉各转动周期之间的相互依赖模式。通过滚动轴承加速退化实验的数据,验证了所提网络的有效性,并与一些智能算法进行了对比实验,预测精度表现优异。     

支持大数据的参数自适应支持向量回归方法

为解决大数据条件下的高效精准预测问题，提出一种基于均值漂移聚类与海洋捕食者算法的参数自适应支持向量回归方法。将大数据样本划分为训练组、验证组和测试组；采用均值漂移聚类算法处理训练组得到聚类中心；设定支持向量回归(SVR)参数，随机生成多个SVR参数组；基于参数组和聚类中心，采用支持向量回归算法对验证组样本进行预测以得到预测精度，然后采用海洋捕食者算法更新SVR参数组，循环本步骤直到满足截止条件，从而获得最优SVR参数组；基于该最优参数组，用SVR获得测试组的预测精度。与高度类似方法在预测精度、稳定性和数据损失等方面进行比较，验证了该方法的可行性和有效性。     

基于自适应模糊神经推理网络的交通流量预测研究

交通流量预测的本质是对具有非周期性、非线性和随机性的交通流量数据序列根据当前和历史数据特征对未来流量态势做出合理的判断。基于模糊神经推理网络的非线性拟合能力和推理机制,研究了自适应模糊神经推理网络ANFIS在交通流量预测中的应用。设计了3种形式的一阶模糊推理网络,对采样周期分别为30 s和2 m in的非周期性交通流量进行了预测计算,与具有不同隐层单元的BP神经网络预测结果进行了比较。结果表明自适应模糊神经网络计算简单,在交通流量趋势预测方面优势明显。     

电梯群控系统标准客流模型的设计与实现

以电梯群控系统交通客流为研究对象,在深入分析客流模式的基础上提出了一种为电梯群控系统建立标准客流模型的方法,并按照模型设计实现了功能完备且具有实用价值的电梯交通系统客流发生器。该客流发生器能按照多种概率分布形式模拟产生客流数据,包括客流交通模式、各种客流分量比及乘客到达时间、初始楼层、目的楼层等群控系统仿真所必需的各种具体信息,以满足研究电梯群控系统对客流数据的需要。     

使用CNN-SVR的汽车组合仪表组装质量预测方法

汽车组合仪表组装过程质检时间长、效率低,因此提出卷积神经网络与支持向量回归相结合的汽车组合仪表组装质量预测方法.结合仪表组装工艺,将卷积神经网络提取的生产数据特征作为支持向量回归的输入,对表征仪表质量的指针偏转角度做出预测.通过车间质检系统获取了仪表原始生产数据,对不同质检情况下的指针偏转角度进行了预测;结果表明所提方...     

基于小波去噪和LSTM模型的短时交通流预测

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。     

Support-vector-regression-based prediction of water holdup in horizontal oil-water flow by using a bicircular conductance probe array

This paper presents a water holdup prediction method based on support vector regression (SVR) for horizontal oil-water two-phase flow when using a bicircular conductance probe array that consists of 24 conductance probes. The support vector machine (SVM) was employed to establish a nonlinear SVR model mapping the probe array responses into water holdup directly. Experiments were carried out in the 16 m long and 125 mm inner diameter horizontal pipe of an industrial scale experimental setup. The experimental data obtained under 220 flow conditions were first divided into modeling data set and comparing data set. The modeling data set is used for establishing a nonlinear SVR and a linear least squares regression (LSR) models, while the comparing data set is used for comparing both models with the equi-weight and optimal weight estimate methods. Comparison results obtained by using the comparing data set show that when the binary data of the probes’ responses are used only, the measurement accuracy of the optimal weight estimate method is the best. If the analog data can be obtained, the measurement accuracy of both regression methods are better than those of both weighting estimate methods, especially, the nonlinear SVR method provide the best measurement accuracy.     

交通路标图像的分割与识别方法研究

对交通道路标志进行实时、正确的识别,是车辆自动导航中的一个重要方面.提出一种基于尺度不变特征变换(SIFT)算法的交通路标识别方法.该方法首先根据交通路标的色彩信息,利用HSV颜色空间对输入含有路标的彩色图像直接进行处理,从而快速分割提取目标区域;然后基于SIFT特征将分割提取的目标图像与数据库中原有图像进行特征匹配,...     

Liqnet: A real-time monitoring network for two-phase flow patterns

Real-time identification of gas-liquid two-phase flow can help fluid systems maintain safe operating conditions. A flow pattern identification method based on a convolutional neural network (CNN) algorithm (after this referred to as liqnet) is proposed in this paper to realize automatic detection and real-time identification of two-phase flow patterns. This paper mainly focuses on solving two problems of CNN algorithm flow pattern identification (1): the experimental samples for two-phase flow classification are few, and (2): the existing methods do not fully consider the real-time nature of two-phase flow identification. Therefore, this paper constructs a two-phase flow database containing 6242 images using data enhancement, proposes a lightweight network liqnet, and compares it with six mainstream CNN models. The results show that liqnet can achieve the highest accuracy (98.65%), has the least amount of parameters (1.3708 M), and can achieve the purpose of real-time prediction (32.11FPS).     

基于电梯交通流概率仿真模型的模拟交通流发生器

利用Monte Carlo 方法建立两个一维Markov Chains作为电梯交通的概率仿真模型,并利用该模型进行交通流分析,然后用该方法实现模拟交通流发生器并应用于电梯虚拟仿真环境中。在仿真试验中,通过由交通流发生器产生的模拟交通流与实际交通流的比较,可验证该模型的可行性和有效性,以及利用模拟交通流发生器产生的模拟交通能实际交通流进行仿真分析,效果良好。