基于加权马尔科夫-ARIMA修正模型的区域物流需求预测

为准确预测区域物流需求,采用自回归移动平均(autoregressive integrated moving average, ARIMA)模型建立具有线性关系的时间序列,考虑时间外的非线性影响因素,基于加权马尔科夫模型修正残差状态,构建加权马尔科夫-ARIMA模型,以我国1990—2021年月度货运周转量为物流需求数据来源,验证加权马尔科夫-ARIMA模型的预测精度。结果表明：单一ARIMA模型和加权马尔科夫-ARIMA模型对12期货运周转量预测结果的平均绝对百分误差分别为3.15%、2.22%,后者的预测精度优于前者。     

基于灰理论的时滞经济预测模型及应用

针对经济预测中具有时滞性样本数据序列的预测建模问题,在对GM(1,1)模型拟合残差分析的基础上,结合AR模型及残差自回归模型建立了新的时滞GM(1,1)模型,并给出了该模型一种基于最小二乘的求解算法.最后通过对我国GDP指数进行预测,给出了经济预测中建模的一个应用实例,取得了较为满意的效果.     

交通量预测的优化模型

在交通量预测的一般方法(原值预测法、经济调控法和回推算法)的基础上,建立了交通量预测的优化模型,给出了优化模型中加权系数的确定方法.     

运用加权Voronoi图进行点集剖分的两种方法

在加权Vornoi图定义的基础上,提出了点集剖分的两种新方法:基于线的剖分法和基于角度的剖分法.运用新方法对点集进行加权Voronoi剖分,可以得到各点更加合理、有效的影响区域.     

短时交通流预测方法比较

短时交通流预测是实现交通流诱导的关键技术之一。短时交通流因为其不确定性等特点而使其预测很复杂。通过实地调查获取的交通流量数据,分别采用移动平均法、指数平滑法、AR模型法3种交通流预测方法进行短时交通流量预测,并通过不同的评价指标对上述3种方法的预测效果进行评价,得出AR模型方法的预测效果优于其他2种方法。     

基于灰色加权马尔可夫链的大连铁路客运量预测

以2003~2013年大连铁路客运量数据为基础,采用灰色GM(1,1)模型预测方法和马尔可夫链相结合的方法对大连铁路客运量数据进行预测,给出了灰色加权马尔科夫链预测模型.不仅构造了状态转移概率矩阵,而且也获得了有效的滞时阶数.结果表明,在预测值与真实值的平均绝对误差方面,与灰色GM(1,1)模型相比,灰色加权马尔可夫链模型减小了一半,其预测效果十分理想.在此基础上,对2014~2020年大连铁路客运量数据进行了预测.     

基于改进灰色GM(1.1)模型的铁路货运量预测

针对铁路货运量年度长期预测对货运部门制定短期运输规划指导不足的问题,引入GM(1.1)模型预测铁路月度货运量.考虑货运量序列常呈振荡波动的特征,利用加速平移变换和加权均值变换弱化序列的波动性后,建立改进灰色GM(1.1)模型实现最终预测.对我国2019年11月至2020年5月铁路月度货运量序列拟合结果比较表明,与传统GM(1.1)模型相比,改进GM(1.1)模型在预测精度方面明显提高,能更好的拟合铁路月度实际货运量,解决了传统GM(1.1)模型对呈现振荡波动现象的铁路货运量预测精度较低的问题.     

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。     

稳定性冠心病患者颈动脉内膜增厚与阿司匹林抵抗的关系

目的探讨稳定性冠心病(SCAD)患者颈动脉内-中膜厚度(IMT)与阿司匹林抵抗(AR)之间的关系。方法316例SCAD患者颈动脉超声检测IMT,以IMT作为颈动脉硬化的指标,根据IMT分为正常组(n=80)、硬化组(n=102)、斑块组(n=134),血栓弹力图仪(TEG)检测二磷酸腺苷(ADP)诱导的血小板聚集率(PAG),根据ADP诱导的PAG(ADP-PAG)水平判定AR。分析ADP-PAG水平与各因素之间的相关性,应用Logistic回归分析SCAD患者发生AR的危险因素。结果斑块组的ADP-PAG水平高于硬化组和正常组[(59.12±11.44)%vs.(53.34±10.78)%vs.(49.58±11.62)%,P<0.01],其AR发生率和阿司匹林半抵抗(ASR)发生率均较正常组要高。在校正年龄等因素后,对可能导致SACD患者发生AR的相关危险因素进行Logistic回归分析,结果显示年龄(OR=4.08)、女性(OR=5.06)、颈动脉硬化(OR=3.57)及颈动脉斑块(OR=6.35)是预测SCAD患者发生AR的独立危险因素(P<0.05)。ROC曲线显示当IMT的最佳临界值(cut-off值)为1.95mm时,预测SCAD患者发生AR的敏感度为86.3%,特异度为62.9%,曲线下面积为0.762(95%CI:0.670～0.853,P<0.01)。结论 SCAD患者颈动脉硬化程度与AR的发生有密切关系,颈动脉硬化是发生AR的独立危险因素。     

基于参数自校正AR模型的网络时延估计

针对网络随机时延这一问题,提出了参数自校正AR模型的网络时延估计算法,并对其进行预测.首先兼顾预估精度和算法实时性的原则确定了模型的参数,建立了网络时延的AR模型;在此基础上,通过LMS算法对时延进行在线预测,并根据新的时延值在线调整模型的参数;通过仿真结果验证了该算法具有很好的预测精度和实时性,具有一定的应用价值.     

基于改进残差GM(1,1)混合模型的大跨度RC拱桥线形预测研究

针对大跨度钢筋混凝土拱桥的线形预测与控制问题，提出了一种由Logistic函数加权改进的残差GM(1,1)线形预测模型，以大跨度钢筋混凝土拱桥工程为背景，对线形控制预抬值进行了预测分析。研究结果表明：改进残差GM(1,1)模型预测预抬值结果较为逼近实测预抬值，除个别拱圈节段外，相对误差低于10%,而理论预抬值结果偏低；由改进残差GM(1,1)模型预测得到的成桥线形与实测成桥线形、设计成桥线形拟合良好，验证了该预测方法的科学性。     

机器学习——动力学耦合车辆跟驰模型

目前,跟驰模型的建立主要基于动力学方法和机器学习算法,将两者耦合起来建立跟驰模型的研究还没有.以线性组合预测为基础,对最优加权法中的目标函数进行改进,将经典的Gipps模型和基于BP神经网络的跟驰模型(BP Car-following Model,BP)耦合起来,建立线性组合车辆跟驰模型(Linear Combination Car-following Model,LC-CF).结果表明:BP模型的预测结果更加贴近真实值,Gipps模型的预测结果更加贴近安全值;LC-CF模型可以通过调整参数,来控制BP模型和Gipps模型在LC-CF模型中的权重,进而达到控制预测速度的真实性和安全性的目的.     

建成环境对轨道交通客流的时空异质性影响分析

研究各类建成环境特征对客流的影响，对城市轨道交通网络规划和运营客流控制具有重要意义。本文考虑人口经济特征、车站特征、外部交通特征与土地利用特征这4类建成环境对客流的影响，提出一种融合时空地理加权回归(GTWR)和随机森林(RF)的时空地理加权随机森林模型(GTWR-RF)，以捕捉建成环境特征对客流影响的时空异质性与非线性。首先，利用多源数据对各建成环境的统计指标进行细化和完善，采用GTWR模型计算建成环境对客流的影响系数，捕捉并分析建成环境对客流影响的时空异质性。其次，将影响系数输入RF模型中进行训练，捕捉并分析建成环境对客流的非线性影响，实现客流预测并确定建成环境特征对客流预测影响的相对重要度。针对北京的案例研究表明：GTWR-RF模型能够同时捕捉建成环境特征对客流影响的时空异质性与非线性，在所有建成环境特征中，工作人口数量对客流预测影响最显著，其次为公交接驳量；与普通最小二乘法、RF、梯度提升回归树、极限梯度提升树和GTWR模型相比，GTWR-RF模型具有更好的预测性能，在早高峰客流预测中决定系数较其他方法分别提升了5.7%,6.3%,0.5%,10.1%和7.3%。     

基于灰色模型和指数平滑法的集装箱吞吐量预测

提出了在灰色模型GM(1,1)和三次指数平滑法基础上的组合预测方法。集装箱吞吐体系是一个灰色系统,因此可以通过灰色系统进行建模并预测其吞吐量,通过对宁波港历年集装箱吞吐量的观察,发现其吞吐量呈持续的曲线增长趋势,因此考虑采用三次指数平滑法进行预测,在灰色GM(1,1)和三次指数平滑法的基础上采用了加权组合预测的方法,对宁波港今后几年的集装箱吞吐量进行了预测.     

汽油替代物辛烷值预测与组分比例确定模型

基于响应曲面法(response surface methodology, RSM),建立了用于预测甲苯掺比燃料(toluene reference fuel, TRF)替代汽油燃料的辛烷值和确定其组分比例的数学模型,并应用该模型的一阶模型(first order model, FOM)、二阶模型(second order model, SOM)和三阶模型(third order model, TOM)预测TRF辛烷值和确定TRF组分比例.结果表明:在已知组分比例下,用FOM模型和TOM模型在预测对应TRF法辛烷值和马达法辛烷值时,预测结果远优于FOM模型;在已知TRF法辛烷值和马达法辛烷值条件下, TOM模型预测TRF构成比例的相对误差在8%以内,优于SOM模型,表明基于RSM建立的TOM模型能够准确的预测TRF燃料辛烷值和确定TRF燃料的构成比例.      

基于灰色模型和指数平滑法的集装箱吞吐量预测

提出了在灰色模型GM(1,1)和三次指数平滑法基础上的组合预测方法。集装箱吞吐体系是一个灰色系统,因此可以通过灰色系统进行建模并预测其吞吐量,通过对宁波港历年集装箱吞吐量的观察,发现其吞吐量呈持续的曲线增长趋势,因此考虑采用三次指数平滑法进行预测,在灰色GM(1,1)和三次指数平滑法的基础上采用了加权组合预测的方法,对宁波港今后几年的集装箱吞吐量进行了预测.     

混沌统计量的预测研究

提出了一种基于混沌吸引子的统计量序列预测技术．对于一个经诊断为混沌的统计量序列,应用神经网络建立模型,短期预测混沌序列．实验证明：Lyapunov指数越大,预测效果越差;神经网络的预测结果优于AR模型的预测结果．混沌序列是完全可以预测的．     

交通量预测的优化模型

在交通量预测的一般方法（原值预测法、经济调控法和回推算法）的基础上，建立了交通量预测的优化模型，给出了优化模型中加权系数的确定方法。     

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

出行时间价值最大熵分布估计模型

为提高使用时间价值数据拟合其统计分布的精度,将最大熵原理分别与低阶(≤6)经典矩和概率加权矩相结合,建立了时间价值低阶经典矩与概率加权矩统计分布函数模型。仿真结果表明:在大样本量下,利用经典矩与概率加权矩对参数估计的精度相当,在小样本量下(<30),采用概率加权矩估计参数的相对误差在10%~35%之间,而采用经典矩估计参数的相对误差在20%~80%之间。可见利用概率加权矩克服了经典矩模型在小样本量下参数估计的大偏差问题,且利用其可以准确地预测交通方式分担率与分析交通定价政策对交通行为的影响。