基于EMD与SVM的风电功率短期预测

由于风电存在着不确定性,风电功率预测对于接入大量风电的电力系统意义重大.为了提高风电功率的预测精度,本文建立了基于经验模式分解法（EMD）与支持向量机（SVM）的复合预测模型.考虑到风力机组的输出有很强的非线性,该模型首先将训练数据按风速大小分成高、中、低3组,然后对各组的风电功率样本序列进行经验模式分解,并建立各个频带分量的支持向量机预测模型,各模型的预测结果等权求和即得到最终的功率预测值.使用风电场现场采集数据的预测结果,验证了该方法的可行性和有效性.     

智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求，提出一种基于混合深度学习 (Hybrid Deep Learning, HDL)的车道级交通流速度预测模型. 模型以智能网联系统强大的数据采集和计算能力为基础，采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量，并将所得分量重构为模型输入；利用双向长短期记忆神经网络和注意力机制，构建深度学习模型框架；为检验模型预测精度和可靠性，选择北京市二环路多个连续车道断面速度数据进行算法验证. 结果表明，HDL模型在不同车道均有理想的预测结果，单步和多步预测精度均显著优于对比模型.     

基于VMD-BP神经网络模型的铁路车站月度客流发送量预测研究

为确定合理的列车开行对数,首先分别以BP神经网络(BP Neutral Network)和极限学习机(Extreme Leaning Machine, ELM)构建基准模型;在此基础上,结合经验模态分解算法(Empirical Mode Decomposition, EMD)和变分模态分解算法(Variational Mode Decomposition,VMD)适合处理非线性、非平稳数据的特点,对客流发送数据进行处理,然后分别与基准模型组合形成组合模型,并提出了月度客流发送量的概念,建立了滚动的月度客流发送量预测机制。最后,以兰州西站衔接各线的客流日发送数据为原始数据,以各基准模型和组合模型对月度客流发送量进行了预测,并对预测结果和指标加以分析对比。研究结果表明:(1)以客流发送量作为原始数据,VMD算法分解效果优于EMD算法;(2)对比各基准模型和组合模型,VMD-BP神经网络组合模型预测精度最高,适用于铁路车站月度客流发送量预测问题。     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

基于时间序列法的公交车站间行程时间预测模型研究——以苏州1路公交为例

准确预测公交站间行程时间是先进的出行者信息系统(ATIS)的核心,是公交运营和管理的关键问题之一。本文采用改进的时间序列法进行公交车辆站间行程时间预测,利用游程检验法检验时间序列平稳性,并借鉴EMD算法把非平稳时序分解为若干个平稳时序的线形组合,然后对每个平稳时序用指数平滑模型预测。最后,依托苏州1路公交运行数据对该预测模型进行验证,结果表明,该预测模型不仅能够准确的预测公交站间行程时间,还能增强时间序列法对于突发事件的反应能力,大幅提高预测精度。     

基于小波变换和支持向量机缆力预测

针对外海环境动力作用下缆力变化时变、非线性的特点,研究了系泊缆力预测方法.利用小波变换将缆力序列分解为不同频段上的低频细节子序列和高频近似子序列,利用支持向量机(SVM)分别对缆力子序列进行回归预测,结合各频段的输出结果得到缆力预测结果.仿真结果表明,小波变换能够反映缆力数据的变化特征,为SVM的学习、预测提供精确的训练样本,基于小波变换和支持向量机的预测方法精度高,优于直接应用SVM预测方法.     

基于VMD-LSTM轨道交通客流预测模型

客流量预测是城市智能交通系统的重要组成部分。为实现客流量的准确预测,首先采用变分模态分解(VMD)将时序客流数据分解成不同时间尺度下的本征模态函数(IMF),降低数据噪声对客流预测模型的影响,再结合长短时记忆神经网络(LSTM)进行预测,提出VMD-LSTM预测模型。采集明尼苏达州州际轨道交通客流数据对模型进行验证。结果表明:相对传统LSTM预测模型,VMD改进LSTM使平均绝对百分误差(MAPE)减少8.38%,均方根误差(RMSE)减小256.99,有效提高LSTM神经网络的预测精度与鲁棒性。     

基于变分模态分解和奇异值分解的结构模态参数识别方法

为了准确获得结构的固有频率、阻尼比与振型, 将变分模态分解与奇异值分解相结合, 提出一种新的结构模态参数识别方法; 基于已有时频参数识别方法, 根据测量的脉冲激励与加速度响应估计系统的频响函数, 对系统的频响函数进行反傅里叶变换得到脉冲响应函数; 对各测点的脉冲响应函数进行变分模态分解, 得到与结构固有频率对应的本征模态分量; 提取本征模态分量的固有频率, 利用与固有频率相近的本征模态分量作为行向量构造奇异值分解矩阵, 对所构矩阵做奇异值分解, 利用最大奇异值重构左、右奇异值向量, 识别结构的振型、固有频率和阻尼比; 通过四自由度质量-弹簧-阻尼模态仿真试验和车体横梁锤击模态试验, 验证了所提出的模态参数识别方法的有效性。研究结果表明: 在四自由度理论模型参数识别中, 系统固有频率和阻尼比的识别结果与理论计算结果的最大相对误差分别不超过0.025%和1.490%, 理论计算与识别的1~4阶振型的模态置信度分别为0.999、1.000、0.999和0.999;在车体横梁锤击模态试验中, 提出方法识别的固有频率和阻尼比与理论计算结果的最大相对误差分别不超过1.57%和1.47%, 且车体横梁的理论振型与识别振型趋势相同。可见, 提出的方法能有效识别结构的模态参数。      

基于多尺度分析与神经网络的交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量随机因素影响大、非线性强、规律性不明显的特征;采用小波多尺度分解的方法,将含有综合信息的时间序列分解为多个分量特征不同的时间序列,然后采用神经网络对各个分量分别进行预测,最后用实测数据进行了验证分析。结果表明,基于多尺度分析与神经网络预测模型比单神经网络预测模型预测精度高,可用于交通流的实时动态预测。     

基于多尺度分析与神经网络的交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量随机因素影响大、非线性强、规律性不明显的特征;采用小波多尺度分解的方法,将含有综合信息的时间序列分解为多个分量特征不同的时间序列,然后采用神经网络对各个分量分别进行预测,最后用实测数据进行了验证分析。结果表明,基于多尺度分析与神经网络预测模型比单神经网络预测模型预测精度高,可用于交通流的实时动态预测。     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。      

基于工作模态参数辨识的水下复杂结构模态分析方法

针对传统实验方法很难对水下复杂结构进行模态分析,提出了工作模态参数辨识与有限元计算相结合的模态分析方法.对工作状态下的测点振动响应信号进行EMD分解,用时域峰值序列法进行模态参数辨识,辨识出的模态参数与计算模态结果进行匹配,以指导修正有限元模型,计算得到完整的模态参数.为解决EMD分解出现的模态混叠,提出先对信号进行小波包分解预处理的 方法.双层加肋圆柱壳体模型水下振动试验研究结果表明,该方法现实可行,能有效辨识出比较完整的模态参数.     

���ڶ���“�ֽ�-����”���Ե�����������Ԥ��

货运量预测是制定物流政策和决定物流基础设施布局的重要依据。针对受多因素影响的货运量预测具备较强非线性和模糊性特征,提出一种基于趋势分解和小波变换的多重“分解—集成”预测方法。利用趋势分解将货运量分解为趋势项和非趋势项,通过小波分解将非趋势项进一步分解成低频项和高频项,分别建立预测模型,选用相加集成得到货运量预测值。实证表明,“分解—集成”的预测策略将非平稳货运量分解为相对平稳的子序列组合,降低了问题复杂度,有效提高了预测性能,与传统的趋势分解预测模型和小波分解预测模型相比,多重“分解—集成”预测模型精度更高。     

基于多重“分解—集成”策略的物流货运量预测

货运量预测是制定物流政策和决定物流基础设施布局的重要依据.针对受多因素影响的货运量预测具备较强非线性和模糊性特征,提出一种基于趋势分解和小波变换的多重"分解—集成"预测方法.利用趋势分解将货运量分解为趋势项和非趋势项,通过小波分解将非趋势项进一步分解成低频项和高频项,分别建立预测模型,选用相加集成得到货运量预测值.实证表明,"分解—集成"的预测策略将非平稳货运量分解为相对平稳的子序列组合,降低了问题复杂度,有效提高了预测性能,与传统的趋势分解预测模型和小波分解预测模型相比,多重"分解—集成"预测模型精度更高.     

基于神经网络与马尔可夫链的换道次数预测方法

为在先验数据有限情况下较精确地预测道路换道次数,提出基于神经网络与马尔可夫链的组合预测模型。采集路段区间平均车速和车流密度,采用BP神经网络训练初步拟合模型;运用马尔可夫链方法,进一步给出换道次数在表示高估、正常、低估的3组区间内的分布及概率,改善BP神经网络误差。运用组合预测模型对西安市某道路的换道次数进行了预测分析,结果表明,实际换道次数均在模型给出的较大概率的预测区间内,表明模型能够根据路段区间平均车速和车流密度较好地预测换道次数。     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

变微分模态分解罚参量选择方法与时变系统识别

针对变微分模态分解（variational mode decomposition，VMD）罚参量会对分解结果产生影响的问题，提出一种基于数据驱动的VMD罚参量选择方法.该方法首先通过傅里叶变换的主频峰值确定罚参量；然后调整层数参量，获得有限个固有模式分量，通过对比不同层数参量时所得固有模式分量的固有频率与阻尼比变化，剔除伪分量；最后对真实固有模式分量进行希尔伯特变换，用于识别时变系统的瞬时频率. 为证明所提方法对时变系统识别的有效性和准确性，分别对具有时变刚度的结构系统和柴油发动机的时变做功过程进行研究，将所提方法结果与经验模态分解方法结果进行比较. 比较结果表明，当罚参数取值是信号最大幅值的1.5～16.0倍时VMD分解结果最优，所提方法可以更准确地识别瞬时频率，在工程应用中的能够更有效地对系统瞬时频率进行识别.      

融合信号分解与排列熵的高铁线路风速区间预测方法

为提升高铁线路风速预测精度以保障强风下高速列车的运营安全，融合信号分解与排列熵提出高铁线路风速区间预测方法。采用信号分解技术与排列熵(PE)筛选分量，对不同复杂度分量分别利用门控循环单元分位数回归(QRGRU)和门控循环单元(GRU)构建高铁线路风速区间预测模型。对我国某高铁线路风速监测数据进行预测，结果表明：预测模型的预测精度较对比方法有显著提升，在区间预测上有良好表现，预测区间覆盖概率(PICP)、预测区间平均带宽(PINAW)及综合覆盖带宽指标(CWC)分别为94%、0.16、1.72,表明该方法能准确描述未来风速趋势，提升预测精度，对解决高铁安全运营问题具有实用价值。