一种基于神经网络的轮胎慢漏气时间序列预测方法

轮胎胎压不足的状况一旦发生,易导致行车过程中车辆的失控并带来不可逆的交通伤亡事故。而轮胎的慢漏气故障是一种常见的交通事故诱因,且该诱因不易察觉。因此,为了及时预测到轮胎的慢漏气故障,本研究以某型纯电动车的轮胎胎压时间序列变化数据为基准数据,实现改进的长短期记忆网络,建构基于神经网络的轮胎慢漏气时间序列预测模型。首先,分别进行原始时间序列的正常胎压变化趋势与异常胎压变化趋势的数据筛选与清洗等工作;其次,分别基于变分模态分解及自适应差分进化算法,实现长短期记忆网络的模型训练;最终,分别基于慢漏气时间序列校验集,进行消融实验的预测结果评估与可视化样例的对比分析。消融实验结果相较于基础的长短期记忆网络提升了15%左右的性能,可视化样例中大部分的慢漏气时间预测差值波动范围在6h内。综合实验结果可验证本研究所实现的基于神经网络的轮胎慢漏气时间序列预测模型的优越性。     

一种改进的ARIMA预测模型在船舶系统中的应用

为实现船舶设备维护方式的智能化升级,用视情维修代替传统的定期巡检,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化的Elman神经网络融合自回归差分移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)模型的组合预测模型,用于对设备状态参数进行预测。根据序列特征拟合ARIMA模型,利用改进的PSO算法优化Elman神经网络的权值和阈值,基于改进的PSO-Elman模型的残差预测值修正ARIMA模型预测结果。采用某船设备实际数据对该组合预测模型进行训练和验证,将其预测结果与其他模型的预测结果相对比,结果表明,该组合预测模型具有较高的预测精度和稳定性。     

波浪影响下船舶横摇运动的时间序列预测数学建模研究

在波浪的影响下,常规的船舶横摇运动时,没有建立横摇运动的模型,降低了预测的精度,不能有效地减小船舶的横摇,存在船舶耐波性较差的问题。当前方法进行船舶横摇运动的建模时,不能减小船舶的横摇,降低了船舶的耐波性。提出一种基于时间序列预测的船舶横摇运动数学建模研究方法。该方法建立波浪扰动船舶横摇运动模型,依据随机的过程理论,求出空间上某固定点波浪倾角的数学模型,依据横摇运动模型得出横摇运动的数据。对船舶横摇运动进行时间序列预测克服了传统方法存在的弊端,运用时间序列的分析方法建立AR模型,应用于船舶横摇运动的时间序列的预测,减小船舶的横摇性,提高了船舶的耐波性,完成对波浪影响下船舶横摇运动的时间序列预测数学建模的研究。实验的结果表明,利用该方法能有效地减小船舶的横摇,提高船舶的耐波性。     

基于时间序列分析的公路降雨型滑坡位移预测

基于公路降雨型滑坡位移远程实时监测数据,从分析降雨型滑坡阶跃型变形规律出发,将滑坡总位移分解为受不利地质条件影响的趋势项位移以及受降雨影响的周期项位移,采用时间序列分析方法将两者叠加构建降雨型滑坡位移预测模型。对滑坡趋势项位移采用灰色等维新息模型进行预测,对周期项位移采用自回归模型进行预测,将两者预测值组合得到滑坡总位移预测值。以湖南娄新高速公路某滑坡实时监测预警为例,采用该模型对比分析了滑坡实测与预测时间位移曲线,表明该模型预测效果较好,能体现降雨型滑坡位移变化趋势,具有较好的应用前景。     

基于ARIMA-LSTM的高速公路交通安全组合预测模型研究

为建立准确有效的交通事故预测模型,提升高速公路交通安全水平,以重庆市11条高速公路2011—2016年共计65 119起交通事故为基础,选取“事故数量”和“死亡人数”2项总量指标,描述统计高速公路交通事故在时间维度上的月分布规律。通过自回归差分移动平均(ARIMA)模型捕捉时间序列数据中的线性时序特征,使用长短时记忆神经网络(LSTM)模型拟合预测残差序列中的非线性时序特征,建立了基于ARIMA和LSTM的高速公路交通事故组合预测模型,并以均方根误差(RMSE)、平均绝对百分比误差(MAPE)值作为模型的评估指标。结果表明：ARIMA-LSTM组合预测模型各项指标的预测精度均优于单一的ARIMA模型,其中“死亡人数”组合模型改善效果显著,其RMSE与MAPE值相较于ARIMA模型分别改善了55.83%和54.80%;“事故数量”组合模型的RMSE和MAPE相较于ARIMA模型改善了23.15%、23.29%。     

基于四维广义离散椭球序列的降秩MIMO-OFDM信道估计方法

传统的基于插值的信道估计器需要高导频负载来对快速时变的频选MIMO-OFDM信道进行稳健估计。为降低对高导频的需求,利用信道对低维子空间的限制作用设计了一种线性最小均方误差(LMMSE)信道估计器,该估计器采用由带限广义离散椭球(GDPS)序列得到的四维基扩展信道模型。仿真结果表明：与基于插值的最小二乘(LS)估计器相比,降秩估计器的均方估计误差较小,且对时延、多普勒和角扩展等均具有较强的鲁棒性。     

两两NQD序列下非参数回归函数估计的相合性

在两两NQD序列误差下讨论Priestly,M.B.和Chao,M.T.[1]提出的一类给参数回归函数加权核估计的相合性.     

Cantor 型非齐次马氏链强极限定理的研究

研究了对任意Cantor型非齐次马氏链普遍成立的一类强大数定理。证明中利用条件期望以及马氏性的概念,采用测度的网微分法并运用纯分析运算得出结论。作为推论,得到随机变量序列已有的经典强大数定律以及对任意随机变量序列普遍成立的强大数定律。     

基于DRNN的直接多步自适应预测器设计

介绍了一种基于对角回归神经网络(DRNN)的直接多步自适应预报器的设计方法。由于其有特殊记忆能力组成单元和特殊的组织结构形式,这种预报器可以在线通过对一个动态系统的输入输出样本的学习,自动建立这个动态系统的模型,而无需事先了解该系统的参数。因此,该预报器可以根据系统过去的输入输出样本和当前可以测量到的系统输入,来获得系统未来的输出值。本文首先介绍了这种预报器模型的结构和输出输入的映射关系,然后给出了一个用于系统预测分析的预测器的具体设计过程并给出一些仿真实验结果,介绍了这种预报模型在船舶机舱智能监控系统中的具体应用。     

基于GA、RBF和改进Cao方法的空中交通流预测方法

针对传统空中交通流量预测方法精度不足、时效性差的问题,考虑空中交通流量时间序列的混沌特征,在相空间重构理论的基础上,研究了结合遗传算法（GA）、径向基（RBF）神经网络与改进Cao方法的空中交通流量预测方法。为降低传统Cao方法人为参数选择引入的误差,提高相空间重构精度,通过判定虚假邻近点,以及迭代比较嵌入维度离差和可接受偏差,确定重构相空间嵌入维度值的选择标准,进而得到重构后的空中交通流量时间序列数据;为提升径向基神经网络预测精度并降低参数误差,使用遗传算法优化RBF神经网络的中心矢量、加权系数和输出层阈值,再通过最优系数标定后的神经网络对重构后的时间序列进行预测;利用实际空中交通流量数据进行仿真以验证方法的有效性,并结合最大Lyapunov指数和预测结果分析了预测的时效性以及时间尺度对精度影响。结果显示：(1)改进后的预测方法具有更好的非线性拟合能力,提高了交通流量时间序列的预测精度;(2)以5 min时间间隔预测为例,相比传统RBF神经网络,改进方法的平均绝对误差、均方误差以及平均绝对百分比误差分别降低了19.44%、34.78%和27.21%;(3)相比反向传播（BP）神经网络...