高速公路雾天能见度预测方法

以多要素气象检测器采集的样本数据为基础,将温度、风速及湿度作为输入变量,雾天能见度作为输出变量,分别采用三层结构BP神经网络和支持向量机非线性回归预测方法,建立了雾天能见度的预测模型;将预测结果与实际数据进行对比分析,结果表明:BP神经网络和支持向量机均能较好地预测雾天能见度,其中BP神经网络和支持向量机模型预测值与实际值的相关性分别为0.895和0.978,支持向量机预测结果的误差更稳定,表明支持向量机更适于处理小样本、非线性、维数灾难和局部极小等问题。     

基于机器学习的汽车后视镜气动噪声预测方法

针对传统风洞试验、数值模拟等方法计算噪声值费时长、资源消耗大等问题,提出一种基于机器学习的气动噪声预测方法。以后视镜特征参数为数据集输入,对不同特征参数下的后视镜模型进行瞬态流场与声场联合仿真,将计算得到的总声压级值作为数据集输出,分别用不同数量的样本数据训练支持向量回归机,通过建立的预测模型对同一测试集进行预测得到总声压级预测值。结果表明,基于支持向量回归机的预测方法能得到与计算值误差较小的预测结果,在较少样本数据支撑下也具有较高的预测精度,可用于汽车后视镜气动噪声的预测。     

支持向量机在汽车加速车内声品质预测中的应用

应用支持向量机方法对汽车加速时车内声品质进行预测。以噪声样本的响度、尖锐度、粗糙度、AI指数等客观评价参量作为输入因子,主观烦躁度评价结果作为输出因子,利用支持向量机回归方法建立了汽车加速车内声品质的预测模型。对比结果表明,与多元线性回归模型相比,基于支持向量机的汽车加速车内声品质预测模型能够更准确地反映客观评价参量与主观烦躁度之间的非线性映射关系,预测精度更高。     

基于SVR的互联液压缸力学性能预测

为进一步研究实际工况下非线性因素对互联液压缸力学特性的影响,对互联液压缸进行了力学性能台架试验,分析了互联液压缸的非线性因素对其力学输出的影响。鉴于传统数学模型无法准确反映互联液压缸动力学特性,并为减小传统支持向量机算法数据回归拟合误差,引入不敏感损失函数,构建互联液压缸力学性能回归型支持向量机预测模型进行预测,并将预测结果与试验数据进行对比。结果表明,采用回归型支持向量机预测模型具有更好的预测精度,为揭示互联悬架力学特性提供新的研究思路。     

基于支持向量机在役路面大修时机评定方法研究

高速公路在运营期路面出现破损现象,影响行车舒适度及安全,因此需在合适的时期进行修补。以湖南省益常高速为例,采用支持向量机回归预测模型对路面行驶质量指标进行预测,并根据路面行驶质量指标预测值与交通量评定路面大修时机。计算结果证实了支持向量机用于路面质量预测的可行性,同时表明2014年为该高速公路大修时机。     

车用锂离子电池剩余使用寿命的混沌时序非线性组合预测模型研究

针对用单一方法难以准确预测锂离子电池剩余使用寿命(RUL)的问题,提出了非线性组合预测模型。对电池系统进行混沌判断,得到与实际容量相关性高的间接参数,利用重构后的数据对Elman网络及非线性自回归(NARX)网络进行训练和预测,得到表征电池性能退化的特征量;然后,用最小二乘支持向量机进行非线性组合,获得RUL的预测值。试验结果表明:非线性组合预测模型的预测精度优于Elman和NARX,具有更强的非线性预测能力。     

基于主成分分析与支持向量机结合的交通流预测

为提高交通流预测的预测精度和预测速度,提出了用非线性回归支持向量机与主成分分析相结合进行交通流预测的方法。主成分分析用来对交通流预测的预测变量进行特征抽取,用较少的主成分代替原预测变量．将生成的主成分输入到非线性回归支持向量机,进行交通流预测,支持向量机的核参数利用Bayesian推理进行确定。通过对济南市交通数据的实例分析来验证该方法的有效性。结果表明,非线性回归支持向量机与主成分分析相结合进行交通流预测不但可以提高交通流预测的精度,同时还可以降低预测所需的计算量,满足交通流预测的实时性要求,预测精度比目前常用交通流预测方法的预测精度有所提高。     

基于CEEMDAN-SVR的公路隧道运营短期能耗预测模型研究

针对公路隧道能耗数据的随机性、不确定性和小样本特征,采用“分解-预测-集成”思路,提出一种基于集合经验模态分解模型(CEEMDAN)和支持向量机回归(SVR)的组合预测模型,能够有效提高短期能耗预测精度。首先,通过预处理原始能耗数据剔除异常值、修复缺失值和标准化能耗数据;其次,运用CEEMDAN模型将能耗数据分解为模态分量和残差分量;最后,分别构建各分量的SVR模型进行训练和预测,通过集成合并各分量预测值得到整体能耗预测值。以济莱高速公路蟠龙隧道用电量数据为例,探究模型最佳输入步长和输出步长,并与其他单模型和组合模型进行对比。结果表明：CEEMDAN-SVR模型在RMSE、MAE、MAPE指标下均能取得最优预测精度。     

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。     

基于批处理增量Lagrange支持向量回归机的短时交通流预测模型

实时、准确的交通流预测是智能交通控制和诱导的关键之一,针对实际中短时交通流数据批量增加的情况,为了提高预测模型准确性、缩短运行时间和模型更新问题,文章提出了一种基于批处理增量学习Lagrange支持向量回归机的短时交通流预测模型。仿真实验表明,与传统的支持向量回归机增量学习算法相比,提高了模型的预测精度,缩短了训练时间。     

基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

基于SVR的汽油机过渡工况进气流量预测研究

针对目前汽油机进气流量预测精度不高的问题，分析支持向量回归机(SVR)应用在进气流量预测的可行性，提出一种基于SVR的进气流量预测模型。该模型通过结合支持向量回归机的结构优势，采用灰色关联分析法(GRA)对模型的特征向量进行提取，并利用遗传算法(GA)对模型参数进行寻优辨识，以提高模型的泛化性能和预测精度。运用汽油机过渡工况仿真试验数据对模型进行了训练和预测，并应用MATLAB/LIBSVM工具箱实现SVR模型的回归预测功能。结果表明：SVR模型的预测值与试验值的误差控制在2%范围之内，有效实现了过渡工况进气流量的预测；与常规的RBF神经网络预测模型、BP神经网络预测模型相比，SVR模型具有更高的预测精度，适用于汽油机过渡工况空燃比的精准控制。     

基于GA-SVM的汽车追尾预测方法研究

提出了一种基于GA-SVM的汽车追尾预测方法.该方法选取行车间距、后车车速、前后车速差、汽车制动时间、制动减速度等5个因素作为预测模型的输入指标,选取追尾概率作为输出向量,通过建立SVM预测模型,并用GA进行参数优化,对汽车追尾概率进行预测.通过仿真值与预测值对比,证明了该方法的准确性.     

基于GM-ANN模型的路面性能预测方法

路面性能预测是公路路面管理系统中的核心技术难点,一直以来受限于分析手段、数据体量不足及数据维度低等多种因素影响,导致现有几类性能预测模型的预测值与实测值偏差较大。将路面病害以时间序列进行灰色系统(GM)分析,后以各类病害预测值为输入,借助人工神经网络(ANN)间接对路面状况指数(PCI)进行预测,构建基于人工智能的混合模型(GM-ANN)。最后选用地区随机路段进行实例验证,并同常用模型预测结果进行对比分析。结果显示：基于GM-ANN的混合预测模型更具较好的精度及可操作性,在实际工程应用中,可为大数据养护决策提供更准确、可靠的参考依据。     

基于多源数据融合的城市道路旅行时间预测

城市道路旅行时间预测是城市道路交通管理的重要支撑.研究了利用多源数据预测城市信号控制主干道旅行时间的方法.以2015年8月某路段的视频检测器及微波检测器的2种数据为基础,采用回归拟合的方法探究信号控制主干道路段旅行时间与断面流量之间的关系,2段式的线性拟合结果可以较好地拟合信号控制主干道路段旅行时间与断面流量的关系.以BP神经网络模型为基础,从输入层入手,采用直接输入2类数据、应用拟合关系输入拟合数据等方法,综合考虑2类数据之间的相关性,建立了融合2类检测数据进行旅行时间预测的多个模型,对7种不同输入的神经网络预测模型进行了测试、对比和分析.研究结果表明,相比于时间序列、支持向量机、k近邻和历史平均方法而言,应用拟合关系的2类数据融合的BP-2神经网络模型具有更高的预测精度,MA PE为13.04%,表明BP2神经网络模型能够实现较好的旅行时间预测效果.      

车用锂离子电池剩余使用寿命预测方法

剩余使用寿命(RUL)是锂离子电池健康监测与维护的关键参数,反映了电池到寿命终点的剩余工作时间。本文中提出了反映电池健康状态的电池容量衰退参数,利用这些参数建立RUL预测模型。将支持向量回归机粒子滤波应用于参数估计与RUL预测,给出了RUL的预测值与概率密度。结果表明提出的方法准确地预测了电池的RUL。     

基于SVM和Kalman滤波的公交车到站时间预测模型

提出一种基于支持向量机(SVM)和Kalman滤波的公交车辆到站时间预测模型.在该模型中,SVM基于历史数据,按照时间段、天气和路段3个输入特性,预测各路段车辆运行时间的基线;然后通过Kalman滤波利用最新的车辆运行信息,结合SVM输出的基线时间来动态预测车辆到达各时间点的实际时间;最后,应用大连市经济技术开发区7路公交线的数据对该模型进行了校验.实例验证结果表明:该模型具有较高的预测精度.     

基于支持向量机的物流配送中心选址决策

建立了选址决策的模糊评价矩阵,应用支持向量机方法(SVM)来处理数据,进行物流配送中心的选址决策。支持向量回归机根据所提供的数据,通过学习和训练,找出输入与输出的内在联系,从而求取问题的解,而不是根据经验知识,因而具有自适应功能,能弱化指标权重确定中人为因素的影响。与传统方法相比较,有较好的泛化能力,能较客观地对多个选址方案的优劣进行评价。最后,引用实例说明利用支持向量回归机完成评价工作的全部步骤。     

沥青路面结冰条件判别标准及SVM预测分析

为了探讨沥青路面结冰与道路气象环境间的相关关系,实现路面结冰状态的准确预报,在分析影响沥青路面结冰的主要气象环境因素的基础上,探讨了不同降水类型与气象环境参数的关联性,建立了沥青路面路表温度预估分析模型。结合Norrman路面结冰打滑判别准则,提出了浙中地区冬季沥青路面结冰状态判别标准。通过支持向量机方法(SVM),以RBF函数作为模型核函数,构建了不同降水类型条件下以地表温度与气温为输入量的沥青路面结冰预测模型。结果表明:不同降水条件下沥青路面结冰时的日均气温、日均测点路表温度、日均风速、日均降水量以及日均相对湿度存在差异,其中,日均气温与日均测点路表温度变化差异较大,日均风速与日均降水量次之,日均相对湿度变化差异较小;通过气象环境监测数据可实现降水类型的间接判别和沥青路面路表温度的预估分析;不同结冰类型对车辆行驶安全的影响从高到低依次为雪降到严寒路面、雨降到严寒路面和雪降到温暖路面;使用SVM构建的路面结冰预测模型对路面结冰状态的预测效果较好,错报率低于6.5%,未出现结冰天气的漏报,同时具有良好的泛化能力,充分展现了SVM在道路气象预报领域的应用前景。     

基于相空间重构和支持向量机的盾构滚刀岩机实验台轴承状态趋势预测

以盾构滚刀岩机作用实验台为研究对象,提出一种基于相空间重构和最小二乘支持向量机的盾构轴承状态评估及预测方法。该方法将一维时间序列重构到高维相空间中,利用相点作为支持向量机输入,自适应地对特征进行选取,并结合支持向量机非线性回归的优点,可有效预测轴承的运行状态。对实际采集的盾构滚刀岩机实验台的轴承信号进行研究分析,发现本算法的预测结果明显优于BP神经网络。将本文算法应用于工程实践,可以对盾构关键轴承状态评估和预测,能够为盾构轴承的定期保养和维修提供有效的指导。