基于卡尔曼滤波理论的电力短期负荷预测模型

为了提高超短期负荷预测的精度, 通过卡尔曼滤波理论建立了实时调度子系统的超短期负荷预测模型,并用两种方法对基本模型进行改进。利用电能管理系统记录的各交易段实际调度负荷和各竞价电厂以机组申报的竞价数据,预测未来各时段的调度负荷。通过对3种模型所预测出的电力短期负荷预测结果比较,表明对原始数据进行比例变换的预测方法更为理想。     

宴家隧道围岩收敛灰色系统预测模型

通过分析隧道围岩的收敛变形特征,基于宴家隧道典型断面开挖过程中的实测围岩收敛变形数据,建立了宴家隧道围岩收敛变形预测GM(l,l)灰色模型。结果表明:采用GM(l,l)灰色系统模型能较好地反映围岩收敛短期数据的变化规律,是对围岩收敛进行短期预测的一种有效方法。当添加实测的新数据,实时更新GM(1,1)模型后,可以提高运用GM(l,l)灰色系统模型预测围岩变形预测的时效性及预测精度,从而成为预测围岩变形的一种更为有效的方法。     

桥梁短期实测数据修正高强混凝土收缩徐变模型与长期挠度预测

为了解大跨径预应力连续箱梁桥高强混凝土的收缩徐变规律,预测其长期变形,在箱梁跨中埋置测量传感器,直接测量混凝土的收缩应变,通过增量运算理论分离出混凝土的徐变应变,对于具体桥梁的C55高强混凝土实测数据显示,现行规范的收缩徐变模型总体上会低估高强混凝土的收缩作用,而高估徐变作用.用短期实测数据修正后的混凝土收缩徐变模型预测桥梁恒载下的长期变形,由两种类型修正式的挠度估算值与实测值的比较可知,其预测精度受混凝土短期实测应变数据的完整性、测量精度及修正式与实测数据吻合程度的影响.     

基于SARIMA模型的城市道路短期交通流预测研究

以城市道路短期交通特征为基础,提出在使用季节自回归求和移动平均（SARIMA）模型进行预测时还应该考虑交通流日周期性特征,以提高模型的预测能力。预测研究不仅考虑了模型的样本内预测而且考虑了样本外预测,并通过两个预测误差统计量,即预测误差绝对值均值和预测误差百分比绝对值均值,来对模型预测表现进行衡量与比较。研究结果显示,虽然只考虑城市道路短期交通流数据中周周期性的SARIMA模型预测能力比只考虑日周期性特征的SARIMA模型好,但是却比既考虑交通流数据中周周期性又考虑数据中的日周期性的SARIMA模型表现差。     

二次指数平滑在交通信息短期预测中的应用

通过对当前交通道路信息的实际情况的分析并结合指数平滑预测模型,提出了符合当前交通信息的分段二次指数平滑模型,该模型主要根据某城市一天各时段的拥堵情况计算平滑系数表,在通过二次指数平滑模型对交通信息进行短期预测。该方法充分考虑到了交通道路信息的实际情况,提高了交通信息短期预测的合理性。经过实际交通信息数据验证,结果表明基于该方法预测未来短期交通信息准确率满足使用需求,并为其他交通信息短期预测提供一种新的方法。     

基于GA-SVR模型的短期交通流量预测方法研究

为了提高短期交通流预测精度,寻求最优交通流分组策略,通过对短期历史交通流量数据的分析,运用遗传算法优化支持向量回归机的惩罚参数、核函数参数和不敏感损失函数3个参数,构建了GA-SVR模型。首先对采集的数据采用算术平均值进行了降噪处理,然后根据交通数据特征分为连续5个星期五时间、相邻前5个工作日和当天3种时间周期序列,通过不同时间周期序列确定了最优的训练样本集。最后结合采集的数据进行了验证,并且与传统SVR模型进行了精度对比。结果表明:GA-SVR模型预测精度优于传统SVR模型,且基于当天数据构建的训练样本集总体预测精度最高。     

PPC构件的短期挠度计算

本文介绍了以有效惯性矩为基础计算部分预应力混凝土（ＰＰＣ）构件短期挠度的４种计算方法。对计算值与实测数据进行了比较，提出了各种方法预测短期挠度的精度。最后导出了ＰＰＣ构件中消压弯矩开裂弯矩的简化计算公式及工程设计应用图表。     

融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测

电动汽车锂离子动力电池健康状态（SOH）衰退过程受使用工况影响存在较多波动,导致模型预测精度下降,在锂电池剩余使用寿命（RUL）短期预测时,SOH波动情况不可忽略,为了准确预测SOH短期内波动情况,须从实车上传的锂电池运行数据中提取有效的健康因子。本文建立一种联合分布特征输入和序列分解融合的锂电池RUL预测方法,使用K-means聚类方法构建车辆锂电池运行过程的联合分布特征,并通过S-G滤波器对SOH衰退曲线进行序列分解,分别使用长短时记忆神经网络（LSTM）和多层感知机（MLP）对趋势部分和波动部分进行预测,融合得到最终预测结果。理论分析和实车采集数据验证表明,融合模型可以在预测车辆锂电池RUL短期衰退趋势的同时预测SOH的波动情况,有较高的短期预测精度。     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。     

基于ARMA模型的公交枢纽站客流量预测方法研究

分析了城市公交客流量预测的必要性,提出了运用时间序列模型进行短期预测的方法;以城市公交短期交通特征为基础,设计了公交站点的ARMA短期客流预测模型;研究了单线路公交站点客流传统行为,构建了重点区域的枢纽站总客流实时预测模型,并采用上海市五角场枢纽站客流数据对比验证了文中模型的可行性,提出了枢纽站公交调度的优化建议。     

汽车多缸内燃机气体交换过程模拟的研究

本文描述了多缸内燃机气体交换过程的模拟程序,同时亦讨论了该程序在转速和负荷都变化的汽车发动机上的应用。 本模拟程序适应性较广,对现今使用的各种高速汽车发动机的进、排气系统都能应用。为了提高预测精度,使用了有限差分法解系统中的气体动力方程。此外,还应用了修正的等压理论来模拟进、排气系统中的分支。 为了评定本模拟程序的精度,将预测结果和实验数据进行了对比,结果是令人满意的。     

基于AGA-SVM公路软基沉降预测

由于公路沉降影响因素较多,加之沉降计算参数的变异性,很难通过理论方法准确算出任一时刻的沉降,因此根据已有沉降观察数据对之后沉降进行预测成为研究热点。支持向量机以其优异的非线性拟合及泛化能力被广泛运用于沉降预测,但是其沉降预测精度依赖于参数C、σ、ε的取值。因此采用自适应遗传算法对支持向量机主要参数寻优,建立了自适应遗传算法支持向量机(AGA-SVM)沉降预测模型,进一步提高了预测的精度。并以广东省兴(宁)汕(头)高速公路中某断面处部分沉降观测数据为训练样本,运用AGA-SVM预测模型对该路堤短期沉降进行预测,预测结果与实测数据吻合良好。     

基于GA-GMDH算法的沥青价格系统建模及预测

沥青作为石油的副产品,其价格受多方面因素影响,是一个复杂的经济系统。沥青的价格波动会对企业日常采购过程产生影响,为了能准确预测短期沥青价格的变动,文中分析了诸多影响因素,并选取原油价格、石化产品价格等10个主要影响因素作为建模变量,基于GA-GMDH算法构建沥青价格系统模型,并对未来短期沥青价格进行了预测。仿真结果表明,所构建的模型在未来两个周期内具有较好的预测推广能力,能准确预测沥青价格的变动趋势。     

基于灰色理论的黄土高填方地基沉降变形预测研究

以某黄土高填方工程为研究对象,建立黄土高填方沉降变形的GM(1,1)预测模型,运用MATLAB编程程序并结合工程实际监测的数据,分别对黄土高填方沉降变形进行了短期、中期及长期预测。结果表明:GM(1,1)模型对于高填方地基沉降不仅在短期精度高,随着施工的进行对于中长期精度也可以保证,这既可缩短工期、降低工程成本,又能提高工作效率。     

正确理解长期及短期燃油修正系数

正一、燃油修正系数概论在国际标准OBDⅡ的数据流中,除了常见的发动机转速、进气量、喷油量、节气门开度、负荷及点火提前角度等6大基本参数外,还有很多重要的数据信息对判断发动机故障来说起着重要的作用。其中,对燃油喷射时间、点火提前角度的修正,或者对喷油时间影响比较大的两个参数就是长期及短期燃油修正,也称为燃油修正系数。     

基于自适应模糊神经网络的交通流状态预测

研究交通流状态的分类、识别与预测,建立了基于模糊聚类及模式识别的交通流状态自适应模糊神经推理系统.对大量交通流历史特征数据采用模糊聚类法进行状态分类并进行模式识别,得到系统的原始输入输出数据集.建立交通流状态预测的自适应模糊神经系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围内,并进行系统检测和复核.仿真及其检测和复核结果表明系统预测的准确率在 95%以上.     

公路客运短期运量预测研究

科学有效地预测公路客运量对于公路客运的管理和决策具有重要意义。本文结合实际应用,基于客运量中短期变化规律的分析,对公路客运量短期预测方法进行研究,给出了预测系统的总体结构和预测算法,以协助运力配置、运力调拨,进而实现运力运量的平衡。     

公共交通智能化调度基础数据预测方法研究

智能公共交通系统是将信息、数据通信、电子控制、卫星定位、计算机网络等科学技术应用于整个公共交通系统中。站点、客流集散量预测及公交站点间运行时间预测是城市公共交通智能化调度最重要工作。本文研究的主要目的是为公共交通智能化调度基础数据提供预测方法。首先提出基于逐步回归分析的方法预测公交站点客流集散量，其次提出广义回归神经网络方法预测站点间运行时间，并在长春市实际应用中得到了验证。     

基于灰色径向基函数网络的区域物流能力组合预测

区域物流能力对区域经济的增长有着强劲的推动作用,为准确地预测区域物流能力大小及其变化趋势,将灰色系统理论中的GM预测模型与径向基函数神经网络有效地结合起来,综合了灰色系统贫乏数据建模的优点和神经网络特有的高度非线性映射能力,构建了基于灰色径向基函数网络的非线性组合预测模型。然后,以四川省1997-2005年的物流能力量化值为基础,对2006-2008年的四川省物流能力值进行了短期预测,并分析了预测结果的合理性。研究表明,该组合模型优于任何单一灰色预测模型,能很好地反映区域物流能力的变化规律,在小样本、贫信息的条件下,仍然能得到合理精准的预测结果,具有实用性。     

船员工作负荷检测方法研究综述

水上交通安全是水路运输领域的研究热点，船员驾驶行为及决策对水上交通安全有直接的影响，而驾驶行为表现及决策的制定与工作负荷密切相关。因此，船员工作负荷检测研究对预防人为因素导致的水上交通安全事故具有重要意义。通过对船员工作负荷影响因素进行梳理分析，发现个体因素、驾驶任务、驾驶环境以及船舶工况等是影响工作负荷的主要因素。从主观评测方法、任务绩效测量方法和生理数据检测方法3个方面对船员工作负荷检测研究方法进行归纳总结。总结发现:任务绩效测量方法在研究过程中存在一定局限性，主观评测和生理数据检测方法具有易获取数据、对驾驶过程干扰较小等优势，是现阶段较为主流的方法。指出了船员工作负荷检测研究的发展趋势，主要包括工作负荷定量化研究、工作负荷综合评价模型构建、多因素工作负荷影响研究、船员工作负荷实时监测系统构建。