基于小波优化GRU-ARMA模型的空中交通流量短时预测方法

空中交通流量短时预测是空中交通管理的基础,是有效缓解交通拥堵问题的前提。为提高空中交通流量短时预测的精度,减小空中交通管制员的工作压力,提出了基于小波优化GRU-ARMA的空中交通流量短时预测方法。在传统预测方法的基础上,通过小波变换对原始流量数据进行多尺度分解,提取不同频率交通流量的细节特征,对原始流量数据进行预处理。同时,根据小波变换,在低频处将频率细分作为趋势项,高频处将时间细分作为噪声项。其中,趋势项反映了空中交通流量随时间演化的整体趋势性,噪声项反映了随机因素对空中交通流量的综合影响。使用门控循环单元（GRU）神经网络模型预测趋势项,自回归滑动平均模型（ARMA）模型预测噪声项;将趋势项和噪声项的预测值叠加,得到最终的短时流量预测值。误差分析表明,该方法在每个预测点上的误差保持在2%左右,预测效果稳定;而直接采用原始流量数据进行预测的GRU、BiLSTM、CNN-LSTM神经网络模型及单一的ARMA模型,每个点的预测误差在5%~37.14%之间。与GRU、BiLSTM、CNN-LSTM神经网络模型相比,该模型的预测精度分别提高了3.02%,5.39%,5.05%。      

高速公路驾驶人换道意图识别模型

为了增加驾驶人换道过程中的安全性,提出一种基于隐马尔科夫理论的驾驶人意图换道识别方法.在模拟高速公路环境下,采用非接触式眼动追踪仪采集驾驶人的眼动数据、头部运动数据以及车辆行驶数据,选取左-右链结构的隐马尔科夫模型(GM-HMM)分别建立向左换道、向右换道和车道保持模型.结果显示,所建立的驾驶人的意图识别模型的准确率达到了90%以上.     

基于灰色-马尔科夫理论的沥青路面性能预测研究

结合灰色理论短期预测优势以及马尔科夫预测模型无后效性特点,建立基于灰色-马尔科夫理论的组合预测模型,研究沥青路面性能衰变规律。以重庆某高速公路历年RQI检测数据为例,用MATLAB计算RQI灰色预测值并验证模型的精度;通过灰色预测方程反算使用年限序列,并建立马尔科夫状态转移矩阵,对RQI进行预测。结果表明:灰色预测模型对RQI预测精度达到一级,预测结果可靠性较高;根据灰色-马尔科夫模型,预测RQI衰变规律,对比单一的灰色预测模型,灰色-马尔科夫组合预测模型精度更高,更适用于路面性能的长期预测。     

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。      

基于灰色-马尔科夫模型的高速公路货物运输量预测方法

为准确预测我国高速公路货物运输趋势,文章提出灰色GM(1,1)模型、马尔科夫模型和新陈代谢思想的组合模型,以2009—2016年我国高速公路货物周转量为原始数据序列,预测2017—2019年高速公路货物周转量。结果表明:组合模型比传统的灰色GM(1,1)模型预测精度更高,加入新陈代谢思想,删除旧数据,引入新数据,降低了长期预测的误差,对新序列采用灰色-马尔科夫模型,2018年和2019年的相对误差由原来的7.81%和6.45%分别下降到3.85%和0.62%。     

基于马尔科夫链的高速公路机电设备寿命预测研究模型

利用机电设备的历史故障数据及故障概率,基于马尔科夫链的理论,研究高速公路机电设备故障预测情况,提出了基于马尔科夫链的高速公路机电设备寿命预测研究模型。高速公路机电设备的运行状况和诸多因素相关,存在大量的不确定性和随机性,不同的高速公路机电设备故障概率和设备寿命一般符合浴盆曲线理论,将机电设备的大量历史故障数据转化为极限概率问题,可以判断机电设备的使用寿命和有效寿命。首先运用马尔科夫链的相关理论计算并得出转移概率、极限概率和时间滚动窗口的设备状态之间的关系,掌握设备故障的变化规律;然后根据浴盆曲线理论结合马尔科夫链的方法对转移概率和极限概率进行分析判断设备的有效寿命,并根据极限概率和故障累计次数预测设备的使用寿命。通过应用马尔科夫链的方法对故障概率趋势图的研究建立了一种新的寿命预测模型;并选取高速公路车辆检测器设备进行历史故障数据分析,验证了该预测模型的有效性和实用性。在高速公路机电设备的维护中利用该寿命预测研究模型,判断设备的寿命情况,并预测机电设备的故障发生趋势,可为高速公路机电设备的维护和更新提供决策依据,指导未来设备维修工作的重点,同时评估设备的运行状态可以有效保障系统的正常运行。     

基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法

在线控转向系统中,采用一种基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法,可达到辅助驾驶员驾驶、屏蔽驾驶员错误操作和提高汽车主动安全性的目的.通过驾驶模拟器采集相应工况数据,经数据预处理 后,应用Baum-Welch 算法对多维高斯隐马尔科夫模型进行优化,且应用Labview进行在线辨识,准确率达到99.8％.     

基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

涡轮增压柴油机进气流量建模研究

利用增压柴油机外特性试验数据,将用于计算增压燃气发动机进气流量的经验公式系数进行重新标定,建立增压柴油机进气流量估算模型。通过ESC和ETC试验分别进行增压柴油机稳态工况与动态工况模型预测流量与实测流量的对比验证。结果表明,稳态工况时,模型中两拟合公式结合使用,相对误差在(-10%,+10%)范围内;瞬态工况时,模型预测流量相对于试验流量的跟随性都较好,在瞬态小流量工况时选用一次拟合关系式计算效果更好。     

基于SSA RX-N A RX模型的短时交通流预测

为了提高短时交通流的预测精度,向出行者提供更加准确可靠的道路交通信息,在充分考虑交通系统非线性特征的基础上,提出了基于SSARX-NARX的短时交通流预测模型.该模型以NARX作为短时交通流预测基础模型,采用SSARX方法建立了短时交通流预测状态空间模型并估计了模型参数,然后将估计出的状态空间模型的系统阶次和马尔科夫参数的值分别作为N A RX基础预测模型线性部分的初始参数值,优化后构造了SSARX-NARX预测模型.利用PeMS数据库的交通流数据,验证了SSARX-NARX模型的预测性能,比较了SSARX-NARX模型与SSARX模型的预测精度.结果表明,SSARX-NARX模型可以实现1步和多步短时交通流预测,并且针对5步和10步短时交通流预测,SSARX-NARX模型的MAPE值分别比SSARX模型小0.76% 和2.4%,而针对1步交通流预测,SSARX-NARX模型的MAPE值比SSARX模型大0.13%,但相差不大.      

非线性耦合模型在桥梁桩基沉降预测中的应用研究

通过对桥梁桩基的沉降预测,能有效地评价和判断桥梁的稳定性,为现场施工提供一定的指导依据。同时,系统性的预测方法能有效提高预测精度,因此,将灰色模型和BP神经网络进行耦合,建立了桥梁桩基沉降的初步预测模型,再利用马尔科夫链建立误差修正模型,实现桥梁桩基沉降的分阶段预测。该模型发挥了灰色模型“累加生成”灰色序列的优点,增加了沉降数据的规律性,又充分利用了BP神经网络和马尔科夫链的非线性预测能力,具有系统性强、全面性高等优点。同时,利用2个实例进行验证,结果表明实测值和预测值较吻合。其中,实例1平均相对误差为1.37%,实例2的平均相对误差为1.39%,两实例的预测结果差异不大,具有较高的预测精度,验证了所提预测模型的有效性。     

基于电压频域特征和异常系数的动力电池故障诊断方法

动力电池系统是电动汽车(EV)的关键部件和主要故障源,因而提高动力电池故障诊断的效率和准确率显得尤为重要。基于此提出一种基于快速傅里叶变换(FFT)和异常系数评估(ACE)的动力电池电压不一致性故障诊断方法。针对6辆发生故障或热失控事故的电动汽车和1辆电压一致性良好的电动汽车,基于其在新能源汽车国家监管平台的全生命周期运行数据,经过电压数据的数据清洗、数据变换等大数据预处理后,利用FFT技术时频变换,提取频域中的幅值作为故障诊断的特征参数;然后,引进基于Z分数理论的异常系数对故障程度进行定量评估,以实现故障单体的检测和定位;此外,针对存在多个故障单体的情况,基于单体异常率的计算,实现单体故障程度的判定和排序;在此基础上,详细分析电压数据长度及采样间隔、FFT采样点数对模型的影响;最后,与基于熵和Z分数的电压故障诊断方法进行比较。研究结果表明:在上述研究条件下,该诊断方法对于电压一致性良好的车辆未产生误报警,且可以有效地检测出事故车辆动力电池系统存在的电压不一致性故障;相比之下,模型平均计算准确率提高了3.25%,模型平均耗时仅为熵值模型的0.55%;验证了该方法故障单体定位更精准、数据适用性更好及计算速度更快的优点。该研究成果能有效实现动力电池电压不一致性故障诊断,具有较高的工程应用价值。     

应用灰色马尔科夫模型预测路面使用性能

为了提供更加准确的路面使用性能预测方法,提出了一种基于灰色模型并用马尔科夫链进行修正的灰色马尔科夫模型。结合工程实例对该方法的实用性和准确性进行检验,结果表明:灰色马尔科夫模型能够在已知历史资料的基础上对路面使用性能进行比较准确的预测,且和单一的灰色GM(1,1)模型相比具有更高的预测精度。     

基于状态空间的连续断面船舶交通流量预测研究

船舶流量预测是船舶交通流研究的重要内容,建立科学合理的船舶流量预测模型有助于航道的设计、规划和管理。将传统的单断面船舶交通流预测方法向多断面进行改进和推广,提出基于状态空间和卡尔曼滤波的多断面交通流预测模型。利用船舶交通流多断面流量数据的时间序列进行多维线性回归,并转化为状态空间模型形式;在此基础上由卡尔曼滤波算法对交通流量进行递推预测,得到多断面交通流的预测值。作为实证研究,分别对武汉长江大桥、武汉长江二桥2个断面,以及长江重庆段朝天门、万州、巫山3个断面进行实际数据分析来验算模型的有效性,并与单断面多维线性回归预测方法进行对比。结果表明,使用状态空间模型得到的武汉长江大桥、二桥预测结果的平均相对误差分别减少4.59%,0.97%;而重庆段3个连续观测点采用状态空间法预测比使用时间序列预测平均绝对误差和平均相对误差均有不同程度的降低,其中平均相对误差分别降低1.08%,4.28%, 3 .54%。因此,在不同时间维度上,该模型有助于提高多断面交通流预测精度。      

基于神经网络及关联性修正的交通异常预测研究

为实现城市交通异常管理的主动式响应,给交通异常处置争取更多的时间,减少交通异常对城市路网的影响,提出了一种基于神经网络及关联性修正的交通异常预测方法.基于历史异常数据构建交通异常数据库,并定义了预测模型中的主要参数;构建了基于改进神经网络算法的交通异常预测模型,在此基础上,创新性地提出了结合不同单元区域背景概率及交通异常相关关系挖掘的预测修正算法,对预测结果进行关联性修正以得到最终更加准确的预测结果,大幅提升了模型的预测精度.应用哈尔滨市30 d实例数据训练了所提出的交通异常预测模型,用15 d数据进行了验证,结果表明经过关联性修正的预测模型成功预测次数明显增加,相较于传统方法,预测成功率提升了31.46%,皮尔逊检验值均大于1.642,预测的结果的可信度大于80% 的置信水平.      

黄土路基沉降变权重组合模型预测方法研究

利用兰武二线路基沉降观测数据,对黄土路基沉降变权重组合模型预测方法进行分析研究。研究结果表明:根据拟合精度选择单个模型时,要尽量选择相对误差偏离方向相反且大小相差不多的单个模型;在单个模型预测精度相差不大时,单个模型的数量越多,组合模型的精度会越高;单个模型的拟合精度越高,对应的组合模型的拟合精度也越高;组合模型相对误差与单个模型的相对误差的偏离方向和大小有关;在相同预测精度要求下,组合模型需要的观测时间比单个模型要短。     

基于灰色-马尔可夫模型的道路PCI预测方法

本文利用马尔可夫模型修正传统灰色GM(1,1)模型的残差,建立基于时间序列的路面PCI动态预测模型;并利用MATLAB软件开发了灰色-马尔科夫链预测模型框架,实现了路面PCI滚动动态预测。将预测模型应用到某高速公路PCI预测中,结果表明该模型的预测能力强,比传统灰色GM(1,1)模型的预测精度更高,能满足实际工程需求。     

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。     

船舶行为异常检测研究进展

船舶行为异常检测对于海上安全、海域的智能监管具有重要意义.异常检测算法不能满足轨迹大数据挖掘在实时性、准确性和鲁棒性等方面的需求.将异常行为进行分类,分析目前几类主要的异常检测方法:统计分析在对数据分布做出正确假设时根据概率分布获取异常情况,确定合适的异常阈值较为困难;预测法基于对历史数据的了解程度,易受多种因素影响;机器学习依赖数据特征、计算复杂度高.基于此,总结可能提高统计分析、机器学习和预测法检测效果的方法,指出将在线实时检测引入船舶检测,并展望数据处理、轨迹表示、挖掘分析和情境语义在异常检测中的可能研究方向.      

基于GWO-SVM岩爆分级预测模型

引入灰狼算法（GWO）优化支持向量机(SVM)模型，构建GWO-SVM岩爆分级预测模型。选取围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度等，组成3种不同的输入指标组合，构建岩爆分级预测指标体系。将153组岩爆案例作为数据集输入4种模型进行训练、测试，比较不同输入组合下模型的预测效果。结果表明：GWO-SVM比标准SVM模型预测准确率提升7.41%～18.52%，在输入指标组合2下，GWO-SVM模型预测准确率最高达92.59%，基于GWOSVM的岩爆分级预测方法优于其他方法。