共查询到17条相似文献,搜索用时 187 毫秒
1.
基于状态空间模型的道路交通状态多点时间序列预测 总被引:6,自引:0,他引:6
以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。 相似文献
2.
3.
4.
5.
《车用发动机》2020,(1)
提出了一种基于改进变分模态分解(Variational Mode Decomposition,VMD)与双测度分形维数的发动机故障诊断方法。首先利用互信息法对缸盖振动信号进行端点延拓,并利用VMD算法将延拓后信号分解为多个固有模态分量(Intrinsic Mode Function,IMF),从而抑制VMD的端点效应,提高信号分解精度。然后利用正交变换方法将各IMF分量正交化,给定时间尺度序列τ=(τ_1,τ_2,…τ_n),并自适应地选择分界点将τ划分为第Ⅰ、Ⅱ尺度区间,利用各正交化的IMF分量在两个尺度区间内分别计算信号的分形维数,得到双测度分形维数,分别描述信号中的细节信息和趋势信息。最后将双测度分形维数作为特征参数输入极限学习机分类模型实现发动机故障诊断。仿真与试验结果表明:所提方法能够有效抑制VMD的端点效应,提高信号分解精度,双测度分形维数具有良好的类内聚集性和类间离散性,提高了发动机故障诊断精度。 相似文献
6.
7.
8.
利用多个参数描述交通状态时,交通流数据表现为多维空间数据。提出了将属于每个状态的多维空间数据转换为一维时间序列的方法,对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测。实验结果表明,多参数状态时间序列比单个参数时间序列能更准确地描述交通流状态变化过程,且算法简单,具有较强的预测实时性。 相似文献
9.
基于点变量方式的变形监测数据分析与处理,由于变形观测数据的近似或扰动,与真实形变存在一定误差,在一定的观测手段和方法下,这类误差导致目标函数的变化并不大,但其所求的理论分析模型参数却会存在巨大差异。针对点变量表达方式不能充分反映结构变形信息的复杂性,提出了以区间分析理论来进行变形监测数据分析与处理。基于区间分析理论,建立起基于区间变量和区间分析理论的变形监测数据处理方法。提出了区间参数变量的4种取值方法:概率统计取值法、仪器精度法、最大最小值法及综合误差法;基于区间超宽度扩展理论,提出了减小区间超宽度的3种措施:改写监测数据处理的表达式、缩小监测参数的区间宽度及选择合理的数据处理模型。基于时间序列模型及灰色系统模型,以区间参数代替点参数,采用区间分析定义的运算法则,对工程变形监测数据序列进行了分析。工程算例表明:一般点参数预测模型的预测值,由于变形体变形规律的复杂性,即使采用与变形规律拟合程度很好的数学模型,也很难与实测变形值符合,但对于预测的区间值,实测变形值落在预测值的区间内,概率是比较大的。区间预测值能较点预测值进一步提高理论预测模型的预测准确性,也能更好地反映工程实体变形的复杂特点。 相似文献
10.
11.
12.
为了解决城乡快速干道车-人冲突和事故严重的问题,将车-人冲突点的分析方法扩展到车-人冲突时间窗的分析方法,构建一种行人运动轨迹实时监测和穿越时间预测相结合的车-人冲突时间窗组合预测模型。首先,分析行人违规穿越的实测数据,确定不同类别行人对应的穿越时间置信区间以及松弛时间;其次,根据运动学模型的预测结果判断行人的所属类别并初步确定行人的穿越时间,同时通过卡尔曼滤波算法对行人穿越过程进行实时监测;再次,融合运动学模型预测结果和卡尔曼滤波监测结果,确定最终的车-人冲突时间窗;最后,对所提出的组合预测模型进行标定和验证,并通过VISSIM仿真平台进行安全性能测试。模型验证结果表明:在正常情况下,该模型能够保障行人的安全且能兼顾松弛时间重置次数;在行人初始穿越速度过低或穿越前、中期存在持续低速的情况下,该模型可以通过多次松弛时间重置来解决模型的适用性问题。安全性能测试结果表明,在车辆行驶时间均值增加4.7%的情况下,安全车辆数占比增加了37.3%,车辆的后侵占时间(PET)测试值则增加53.8%。因此,与无松弛时间的预测模型相比,所提出的有松弛时间的车-人冲突时间窗预测模型能够在对交通效率影响较小的前提下,较大程度地提高车-人冲突的安全性。 相似文献
13.
14.
我国双车道公路普通路段路侧事故预测模型研究 总被引:1,自引:0,他引:1
针对双车道公路路侧事故的各种影响因素,建立适合我国国情的双车道公路路侧事故预测模型,探索双车道公路路侧事故的分布规律。研究中根据我国双车道公路两侧用地情况,把公路划分为普通路段、村庄路段和交叉口路段,并对普通路段进行了路侧事故预测模型研究,主要内容包括普通路段的划分、路侧事故的定义、路侧危险度的划分、模型的结果自检验以及应用检验等等。研究结果表明交通量、货车比例、平曲线用长度加权的弯曲度、所在地域对路侧事故率的高低有较大影响,模型验证结果表明路侧事故预测值和实际值呈现一致性。 相似文献
15.
区域路网交通状态判别是实施区域交通管理控制和交通诱导的基础。为有效且有前瞻性地描述区域路网拥挤状况,提出了1种基于时间序列数据预测和主成分分析相结合的模糊综合定量评价方法。以路段平均速度和交通流量为描述交通拥挤状况的参数,利用时间序列预测模型对数据进行预测;将路网中各路段的平均旅行时间作为总延误的影响因素;再利用主成分分析法确定各个路段对区域拥挤的影响权重;最后运用模糊综合评价法对区域路网拥挤状况进行评估。以山西省临汾市实际路网为例,通过 Vissim 交通仿真软件和 SPSS 数据统计分析软件对算法进行了仿真验证。仿真结果表明,该算法能够有效地预判城市区域的交通状况,为交通管理、控制和诱导提供准确的依据。 相似文献
16.
山区高速公路事故严重程度预测对保障交通安全具有重大意义。针对现有事故严重程度预测模型存在准确率低、泛化性差等问题,考虑到深度卷积神经网络可以高效处理图像问题,为此将事故影响因素图像化,提出一种融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型。该模型首先采用相关性分析确定影响交通事故严重程度的因素,依据严重程度与影响因素将事故划分为财产损失、轻伤事故、重伤事故和死亡事故4类;然后将影响因素处理成图片的形式,进而将事故严重程度预测问题转化为图像的分类问题,随之构建基于反残差与注意力机制的山区高速公路事故严重程度预测模型,其中:基于深度可分离卷积的反残差结构可以以较少训练参数获取较高的准确率,基于软阈值的注意力机制作为一种非线性层可以忽略与事故严重程度无关的信息,Mish激活函数可以确保更好的信息流入神经网络。结果表明:在山区高速公路交通安全事故严重程度评估中,相比于传统的机器学习模型,所提出的模型识别准确率具有明显的提高,且测试准确率为85%左右,满足山区高速公路安全评估的实际预测需求。 相似文献