道路交通事故多因素时间序列宏观预测模型

针对现有道路交通事故预测方法在实际应用中的不足，引入多因素时间序列法，建立了道路交通事故多因素时间序列宏观预测模型．该预测模型兼有单因素时间序列法和多元线性回归法两者的优点，通过单因素时间序列法可以方便、快捷地得出事故影响因素的预测值，而利用多元线性回归法可将各种事故影响因素综合起来，预测出道路交通事故总体发展趋势．实例计算证明，道路交通事故多因素时间序列宏观预测模型能很好地适用于道路交通事故预测，同时具备了所需数据资料较少、建模简单、计算快捷等优点．     

基于混沌-小波神经网络的公交客流量预测模型研究

为提高公交客流量预测的精确度,将混沌理论和小波神经网络方法相结合应用于公交客流量预测。分别采用自相关法、伪最近邻域法计算公交客流量时间序列的时间延迟、嵌入维数,采用小数据量法计算其最大李雅普诺夫指数,证实该时间序列具有混沌特性。据此建立混沌-小波神经网络预测模型,进而对H省某市实际公交客流量进行预测。实验结果表明,相比于传统的BP神经网络预测法、LIBSVM预测法,该方法在均方误差(MSE)、平均绝对误差(MAE)、平均相对误差(MRE)上均具有更小的预测误差,因而可以有效地预测公交客流量。     

基于混沌吸引子的时间序列预测方法及其应用

介绍相空间重构技术以及混沌吸引子的关联维数的计算方法,阐述了基于混沌吸引子的特性基础上的预测原理及预测模型,指出了已有预测模型的不足,提出改进意见并给出具体算法。然后,用Lorenz 系统所产生的时间序列作为样本,进行了预测,给出了3种模型的预测结果,并作了比较。最后,指出了还存在一些相关问题。     

分析斜交弯桥的刚度法

考虑弯桥梁轴线与支承线斜交 ,按平面曲梁杆系结构分析斜交弯桥 .采用节点坐标系 ,构建了圆弧梁的单元刚度矩阵 ,给出了常用荷载等效节点力的计算方法 .用直接刚度法 (电算 )和位移法 (手算 )解算斜交连续曲线梁桥和弯形刚构桥 .算例表明 ,该方法方便、可靠 ,具有通用性 ,便于编程和手算     

基于改进加权一阶局域法的空中交通流量预测模型

空中交通流量精准预测是实施空中交通控制和管理的重要前提.针对空中交通流量时间序列的内在混沌动力特性,研究了基于改进加权一阶局域法的混沌交通流量时间序列预测模型.首先,提出了一种临近相点演化加权的改进一阶局域预测法,并通过在预测过程中构建误差序列进行预测结果修正;其次,利用关联维数出现饱和现象验证了4组不同统计时间间隔的实测空中交通流量时间序列均存在混沌特性;最后,在对空中交通流量时间序列进行相空间重构的基础上,利用改进加权一阶局域预测方法进行了流量预测结果的对比实验.结果表明,4组空中交通流量时间序列预测精度均有提高,时间尺度为10 min的流量预测效果最好,预测相对误差减小了29.7%.      

基于奇异值分解的混沌时间序列Volterra预测

提出一种用于混沌时间序列预测的奇异值分解Volterra滤波器.在Volterra滤波系数计算过程中,采用奇异值分解的方法得到线性方程组的最小二乘解.4种混沌序列的预测实验表明:该滤波器对混沌流的预测性能远优于NLMS自适应Volterra滤波器,前者的一步预测相对误差比后者小3~4个数量级.     

分析斜交弯桥的刚度法

考虑弯桥梁轴线与支承线斜交,按平面曲梁杆系结构分析斜交弯桥,采用节点标系,构建了圆弧梁的单元刚度矩阵,给出了常用荷载等效节点力的计算方法,用直接刚度法（电算）和位移法（手算）解算斜交连续曲线梁桥和弯形刚构桥,算例表明,该方法方便,可靠,具有通用性,便于编程和手算。     

边坡变形时序分析的进化-自适应神经模糊推理模型

变形监测与预报是保证边坡工程施工安全与工程质量的重要措施,但由于位移时间序列的强非线性,边坡变形预报成为非常困难的问题．自适应模糊神经推理系统（ANFIS）有优越的学习和泛化性能,而遗传算法（GA）是优秀的全局优化工具．采用遗传算法优化ANFIS参数,并编制了相应的计算程序．结合三峡工程永久船闸施工变形监测和新滩滑坡变形监测,建立了边坡变形时序分析的GA-ANFIS智能模型．为了对比该模型的预测精度,采用GA优化支持向量回归（SVR）和BP神经网络的模型参数,编制了GA-SVR及GA-BP程序,对相同的算例进行了变形预测分析．按滚动预测法对三峡永久船闸高边坡和新滩滑坡的计算结果表明,文中提出的GA-ANFIS模型能够获得比GA-SVR和GA-BP模型更高的预测精度,可以应用于边坡工程变形监测预报分析,并为类似工程提供参考．     

基于列车运行安全的青藏铁路大风预测优化模型与算法

为减轻青藏铁路恶劣大风天气对列车行车安全的影响、对沿线风速进行准确地预测预报,运用时间序列法对格尔木-拉萨段16号测风站实测风速建立时序预测模型,并进行多步预测仿真计算.为提高时序预测模型精度,通过改进时间序列法建模流程,引进卡尔曼滤波智能算法,提出了2种适合于不同预测步长和精度的优化算法.预测实例表明:优化算法将时序模型的超前1步预测平均相对误差从4.89%降低为2.51%,超前5步预测平均相对误差从9.77%降低为5.62%,并明显改善了时序模型的预测延时现象.     

基于混沌理论的建设项目环保投资估算研究

采用混沌时间序列分析技术对我国高速公路环保投资做了较为全面的研究,分析了1997年—2006年我国部分高速公路环保投资的数据。首先对数据结构进行定性分析,通过频数分布图,发现环保投资数据与正态分布之间存在着差异。功率谱分析、主分量分析则清楚表明序列具有非线性性质,主分量分析还表明序列具有混沌迹象。在定性分析的基础上,通过计算序列的有关非线性特征值对其混沌性质进行进一步确认。采用G—P算法计算序列的相关维,采用小数据量法计算最大Lyapunov指数。计算得到的最大Lyapunov指数为正数,说明环保投资序列处于混沌状态,可以使用混沌时间序列方法对建设项目可行性研究阶段环保投资进行估算。     

基于谱分析的路段行程时间多步预测方法

路段多步行程时间预测数据是动态交通诱导系统的重要参数,但已有研究成果,大多集中于一步预测,且存在适应性不强、计算量大、基础数据需求多等不足.应用谱分析及Karhunen-Loeve（K-L）变换对历史及当前检测行程时间序列进行分解与重构,重构时以历史序列与当前检测序列的欧式距离作为相似性度量指标,优化重构时的特征向量系数,使与当前检测序列相似度高的历史序列信息在重构中占据主要地位,通过重构,实现对后续若干时段的行程时间的预测,实测数据检验显示该方法可实现多步预测,预测精度良好,较以往方法有所提高,且历史数据需求量小,计算量小.     

基于混合自回归模型和神经网络的时间序列预测

在求出混合自回归时间序列模型的成分个数的基础上, 应用BP神经网络对时间序列进行了预测, 并对模型进行了数值模拟表明该预测模型的具有较高的精确度和广泛的应用前景.     

基于时间序列的高速公路软基沉降预测研究

简要介绍了时间序列分析的基本原理、方法及其模型的建立,通过路基沉降监测实例对模型进行了检验,并对路基沉降趋势进行了预报。预报值与实测值的比较结果表明：时间序列模型具有较高的拟合精度和预报的可靠度,可用于描述路基沉降变化规律。     

�ۿ�����Ԥ���о�������TEI@I������

基于TEI@I理论框架,本文提出了适用于港口物流货运复杂系统的TEI@I的综合集成预测模型,并基于青岛港集装箱吞吐量数据,预测和分析了TEI@I的港口物流货运量的集成预测理论框架的各部分.预测结果表明,基于TEI@I集成预测模型的效果远远优于单独模型的预测结果,方向变化统计量(Dstat)的评价结果从66%-77%提高到了100%,对主要决策者方向性的判断更有实际意义.其次,TEI@I方法论中将数据“先分解后集成”的思想,引入了对数据的非线性部分的分析和预测,该方法不仅提供了分析外部冲击对具体数据序列的影响程度,影响周期的分析思路,而且将分析后的序列集成,对不同模型的预测精度有了很大的提高.     

寸滩站年最大洪峰演变规律及预报研究

从趋势分析和周期分析两方面分析长江上游寸滩站年最大洪峰流量演变规律.研究表明,寸滩站年最大洪峰流量序列未发生趋势性变化;其主要周期为4a,9a,11a,29a.在此基础上,应用周期与随机模型组合方法对寸滩站1939-2004年最大洪峰流量序列进行预报.率定期的合格率为84.61%,检验期合格率为80%,预测效果较好,该模型可以应用于长期预报中.研究成果对长江三峡水库防洪调度有重要的参考价值.     

寸滩站年最大洪峰演变规律及预报研究

从趋势分析和周期分析两方面分析长江上游寸滩站年最大洪峰流量演变规律.研究表明,寸滩站年最大洪峰流量序列未发生趋势性变化;其主要周期为4a,9a,11a,29a.在此基础上,应用周期与随机模型组合方法对寸滩站1939-2004年最大洪峰流量序列进行预报.率定期的合格率为84.61%,检验期合格率为80%,预测效果较好,该模型可以应用于长期预报中.研究成果对长江三峡水库防洪调度有重要的参考价值.     

Online sequential extreme learning machine based multilayer perception with output self feedback for time series prediction

This study presents a time series prediction model with output self feedback which is implemented based on online sequential extreme learning machine. The output variables derived from multilayer perception can feedback to the network input layer to create a temporal relation between the current node inputs and the lagged node outputs while overcoming the limitation of memory which is a vital part for any time-series prediction application. The model can overcome the static prediction problem with most time series prediction models and can effectively cope with the dynamic properties of time series data. A linear and a nonlinear forecasting algorithms based on online extreme learning machine are proposed to implement the output feedback forecasting model. They are both recursive estimator and have two distinct phases: Predict and Update. The proposed model was tested against different kinds of time series data and the results indicate that the model outperforms the original static model without feedback.