基于LS-SVM的船舶操纵性黑箱建模与预报研究

文章提出了基于LS-SVM的船舶操纵性黑箱建模方法,通过选取影响操纵性能的主要因素,利用LS-SVM建立了操纵性能的非线性回归模型,并利用回归模型对自航模回转试验进行了预报,通过试验与预报结果的对比分析表明,所建立的回归模型具有较高的预报精度,为船舶操纵性预报提供了一种新的技术手段。     

基于多周期组件时空神经网络的路网通行速度预测

针对当前路网通行速度预测方法存在的中长周期预测准确性和稳定性不足、自适应路网拓扑空间关系建模能力有待进一步提升等问题,以多尺度卷积算子及门控循环单元为核心单元,提出一种面向路网通行速度预测任务的多周期组件时空神经网络模型。首先,根据路网交通感知数据的周期特性,将其规约为周、日和近期这3种不同粒度的时间-空间-特征三维矩阵,并输入至3个共享网络结构的周期组件。其次,在每部分组件中,利用多尺度卷积核捕获多因素非线性相关性与不同空间视野大小的路网节点空间相关性。然后,对每个路网节点的时序特征使用门控循环单元提取交通数据长时依赖关系,引入残差学习框架,提高网络训练效率并防止梯度弥散。最后,自适应加权融合通过预测卷积层的每部分周期组件预测结果生成预测时段内路网交通通行速度。为验证所提方法的有效性,基于两个公开的交通状态数据集进行实验分析,并选取当前主流的深度神经网络模型作为对比基线模型。结果表明,所提方法在可接受的执行时间内,在两个数据集上平均绝对误差、平均平方误差和平均绝对百分比误差分别为 2.55、3.94 和 10.75%,1.57、3.52和3.44%,在预测准确性与中长时多步预测稳定性方面均优于其他基准方法。     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

基于数据流集成回归的短时交通流预测

传统的交通流预测技术使用静态和离线算法,无法对模型的参数值和内部结构进行在线调整.然而,交通流变化具有明显的动态性,其内在模式会随时间发生变化,导致构建好的模型准确度下降.针对上述问题,提出了基于数据流集成回归的短时交通流预测模型.将不断产生的交通流数据划分成数据块,每个数据块训练1个基础回归模型,然后加权组合为集成模型.通过不断训练新的基础模型,并置换出集成模型中准确度最差的基础模型,实现在线更新.在实测数据上的对比实验结果表明,与静态离线的BN模型相比,模型的均方根误差降低了19.5%,运算时间降低了48.7%,并能够快速适应交通状况发生明显变化的情况,适用于城市主干道路的短时交通流预测问题.      

基于马尔科夫链的公交站间行程时间预测算法

公交站间行程时间具有明显的时段分布特征,且公交车辆是典型的时空过程对象,其运行具有状态转移性。为了准确预测公交站间行程时间,在应用马尔科夫链预测公交站间行程时间基础上提出其改进算法。通过大量公交GPS数据构造不同时段下具体线路站间行程时间的马尔科夫状态转移矩阵,并对站间行程时间进行状态推导,采用移动误差补偿法对马尔科夫预测值进行动态修正,改进原有的马尔科夫预测算法。以广州市BRT线路B1的实际运行数据对算法进行了验证,结果表明,移动误差补偿改进算法优于基本马尔科夫算法及 BP模型,同时该改进算法还具有实现过程较简单。      

基于灰色理论的重庆市常规公交客运量影响因素分析及预测

为了研究重庆市常规公交客运的发展水平,把握当前及今后重庆市公交客运量的发展规律和发展方向.采用灰色关联度理论的研究方法,清晰直观地得到了反映重庆市常规公交客运量影响因素与客运量之间的关联度,通过比较分析的方法,发现利用传统灰色预测模型在进行重庆市常规公交客运量预测时,其拟合精度不够.研究发现需要对模型的紧邻均值生成序列做出改进,改进后的灰色预测模型要比传统的灰色预测模型的拟合精度更高,说明改进后的灰色预测模型更适用于重庆市的常规公交客运量的预测.      

城市轨道交通机电设备报警的规律发掘与预测模型选择

本文提出了一种理论算法模拟预测机电设备发生故障与运行状态,并与实际数据相结合比较进行校正.在不断采集早期机电设备数据的同时,进行算法的优化从而建立一套行之有效的预测模型,并用直观的图形方式显现给用户.在日常运营维护中,这套模型的运用帮助管理人员对机电设备的运行状况有先期的了解,并对设备的突发问题有一定的预警预测作用.     

边坡变形时序分析的进化-自适应神经模糊推理模型

变形监测与预报是保证边坡工程施工安全与工程质量的重要措施,但由于位移时间序列的强非线性,边坡变形预报成为非常困难的问题．自适应模糊神经推理系统（ANFIS）有优越的学习和泛化性能,而遗传算法（GA）是优秀的全局优化工具．采用遗传算法优化ANFIS参数,并编制了相应的计算程序．结合三峡工程永久船闸施工变形监测和新滩滑坡变形监测,建立了边坡变形时序分析的GA-ANFIS智能模型．为了对比该模型的预测精度,采用GA优化支持向量回归（SVR）和BP神经网络的模型参数,编制了GA-SVR及GA-BP程序,对相同的算例进行了变形预测分析．按滚动预测法对三峡永久船闸高边坡和新滩滑坡的计算结果表明,文中提出的GA-ANFIS模型能够获得比GA-SVR和GA-BP模型更高的预测精度,可以应用于边坡工程变形监测预报分析,并为类似工程提供参考．     

路段行程时间多时间尺度预测方法

采用长春市实际调查数据对一种基于浮动车的路段行程时间多时间尺度预测方法进行仿真实验,结果表明基于该方法的交通流路段行程时间多时间尺度预测结果与真实值之间的平均绝对相对误差均小于7%,完全满足路段行程时间预测的精度要求。     

基于能量等价损耗原理的路面抗滑性能预测

目前对路面抗滑性能预测多采用经验回归的方式,摩擦力学与路面磨耗之间的力学关系尚未明确,导致路面抗滑性能预测模型的推广应用存在一定的局限性.文中基于能量等价损耗的概念,通过单一轮胎对路面损伤程度的实测,运用能量等价损耗原理可以推算出不同类型的车辆对路面的损耗程度的量化指标.