基于小波和Kalman滤波的交叉口流量组合预测

为更准确地预测动态变化的道路交叉口流量,根据城市道路流量分布的特点,提出了在小波分析和离散 Kalman滤波的基础上进行组合预测的方法.这种方法将路口的流量数据构造成几个相关序列,对每个序列分别 进行小波变换和Kalman预测,然后将各序列的预测值组合成最终结果.这种预测方法可用于其他动态流量预 测,如路段流量预测、路口流量分配预测等.实验表明,该方法可以有效地减少预测误差,并具有较好的鲁棒性.      

基于K-Means和GA-WNN的交通流量预测

如何对交通流进行准确和实时的预测是实现交通管理的关键所在。文章根据交通流数据的时间序列特性,提出基于K-Means算法与遗传算法(GA)优化的小波神经网络(WNN)预测方法:首先对交通流流量序列按照流量采用K-Means算法进行分割,分割后的结果较符合流量的分布情况;然后使用GA-WNN对分割后的每一个时间段的交通流数据分别进行建模和预测。仿真结果表明,该方法对交通流量预测的精度较好。     

小波和Kalman滤波用于GPS数据去噪方法分析

根据小波分析基本理论和GPS信号噪声特性,将小波分析这一数学工具应用到GPS数据的去噪处理中,同时引入Kalman滤波方法,将其与小波分析方法有机结合,进而提出利用小波分析的自适应Kalman滤波方法进行GPS数据去噪处理。     

基于多尺度Kalman滤波的多传感器数据融合

通过分析多尺度动态系统模型,提出了一种基于小波变换的Kalman多传感器数据融合算法。该算法结合了Kalman滤波的实时性、递归性和小波变换的多尺度特性,能对多传感器的观测数据有效地融合。算法首先将最细尺度上观测数据滤波后得到的估计序列小波分解到各尺度上;然后在各尺度上,利用该尺度上的传感器观测数据对小波分解系数进行更新;最后利用小波重构,达到更新原始估计序列的目的。仿真实验表明,该算法具有很好的数据融合效果。     

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.     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷,提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构,完成长短时记忆模型的逐层构建,实现本地保存并根据预测精度进行自适应更新,将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明,提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型,具有较强的实用性.     

基于改进小波变换方法的混沌信号去噪研究

针对混沌信号和噪声频谱互相重叠,传统方法难以实现有效滤波这一问题,提出一种改进的小波去噪方法.该方法采用参数加权法构造信号,将小波分解系数进行阈值处理,通过循环迭代,利用序列中包含的有效信息,将有用信号提取出来.仿真结果表明,利用改进小波变换去噪方法改善了混沌时间序列的预测结果,证明了该方法的有效性.     

基于m序列调制的自适应音频数字水印算法研究

提出了一种基于m序列调制的自适应音频数字水印算法．该算法首先将视觉上可辨的二值水印图像降维为一维序列，再将水印序列伪随机排序并与m序列作扩频调制，最后对数字音频信号进行分段离散小波变换，把经过调制的水印信息自适应地嵌入到原音频信号小波分解中等尺度绝对值较大的分量上．仿真实验证明了算法的稳健性和不可觉察性．     

预测分析的混合模型法

通过分析国民经济中实际数据序列的特点，提出一种预测分析的混合模型方法，对这种模型方法进行了分析和论证，并将其用于数据序列的分析预测。这种模型是根据统计数据本身的规律性和特点来预测分析的一种方法，需要考虑的因素少，具有方法简明、计算复杂性低和便于使用等特点。     

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%.      

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。     

��������С���任��GPS��̬�˲����㷨

针对应用卡尔曼滤波器进行车辆GPS导航信号的动态滤波时难以建立精确的数学模型以及传统小波变换在实时性方面存在不足,提出了基于提升小波变换的GPS动态滤波新算法.该算法采用提升小波变换对车辆GPS导航信号进行分解;用3σ准则和多项式插值方法对各层提升小波变换系数进行粗差探测与数据修复;采用模平方软阈值去噪算法对各层提升小波变换系数进行去噪;最后进行提升小波逆变换,从而实现车辆GPS导航信号的动态滤波。仿真实验结果表明,该算法的导航定位精度优于卡尔曼滤波算法;虽然在导航定位精度方面稍比传统小波变换算法的性能高,但比传统小波变换算法速度快一倍;显然该算法对车辆GPS导航系统是有效的.     

基于均值平移和自适应预测的运动目标跟踪

针对运动目标跟踪算法不足之处,提出结合改进的均值平移与自适应预测的目标跟踪算法,基于Bhattacharyya系数值进行Kalman滤波器与粒子滤波器之间的切换.引入Kalman滤波器为Mean Shift算法估计初始点,在跟踪稳定的情况下进行模板更新,根据Kalman残差大小判定是否发生遮挡：部分遮挡情况下即结合Kalman滤波器实现对快速运动目标的实时跟踪;完全遮挡情况下结合均值平移和粒子滤波进行鲁棒跟踪.实验证明,改进的算法可以有效地提高跟踪算法的效率,并且能很好地解决遮挡问题.     

Wavelet Neural Network Based Traffic Prediction for Next Generation Network

By using netflow traffic collecting technology, some traffic data for analysis are collected from a next generation network （NGN） operator. To build a wavelet basis neural network （NN）, the Sigmoid function is replaced with the wavelet in NN. Then the wavelet multiresolution analysis method is used to decompose the traffic signal, and the decomposed component sequences are employed to train the NN. By using the methods, an NGN traffic prediction model is built to predict one day＇s traffic. The experimental results show that the traffic prediction method of wavelet NN is more accurate than that without using wavelet in the NGN traffic forecasting.     

����SVM��Kalman�˲���BRT�г�ʱ��Ԥ��ģ���о�

本文提出了一个支持向量机进行初始行程时间预测并结合卡尔曼滤波算法进行动态调整的快速公交车行程时间综合预测模型.以快速公交车运行的GPS数据为基础,对北京市朝阳区快速公交2号线进行行程时间预测案例研究.利用该模型对其早高峰和上午平峰的两个不同时段的公交行程时间分别进行预测和对比分析,并通过与单一的卡尔曼滤波方法所得的预测结果进行比较.结果表明,该模型应用于快速公交行程时间预测具有更好的适用性,并且预测平峰时段的精度要高于高峰时段.     

���ڿ������˲��Ĺ���վ���ʱ����Ԥ��

公交站点短时的客流预测是智能公交调度系统中重要的决策基础与技术支持. 在对短时客流特性进行分析的基础上,提出了以卡尔曼滤波作为公交站点短时客流的预测模型,并给出了模型的求解过程. 选用了一条实际公交线路中客流量较大、客流变化明显具有代表性的站点进行了采集数据和实例分析,数据结果的平均绝对误差为5.1771,均方误差为0.7961,表明提出的模型与算法可以有效地对短时公交客流进行预测. 与人工神经网络预测结果比较,在相同的实例数据下,其平均绝对误差为10.4770,均方误差为1.6724,结果表明使用卡尔曼滤波建立的模型比较准确,说明本文所提出的方法预测误差小,具有现实的应用意义.