适于双子电梯群控系统的交通模式预测方法

为了避免传统电梯交通模式识别存在模式滞后的缺陷,适应新型的双子电梯群控系统性能要求,提出了基于预测交通流的电梯交通模式预测方法.采用支持向量机(Support vector machine,SVM)进行电梯交通流预测;采用BP神经网络进行电梯交通流模式识别,并用遗传算法(Genetic algorithm,GA)对BP神经网络进行优化;将电梯交通流预测与交通模式识别相结合,再次利用神经网络对所预测的交通流进行模式识别,实现交通模式预测.研究结果表明,预测交通流的交通模式与实际交通流的交通模式一致,验证了交通模式预测的准确性.交通模式预测方法可避免模式滞后的缺陷,为双子电梯群控系统工程应用提供理论依据.     

基于混沌算子网络模型的网络流量预测研究

采用混沌算子构造预测网络,对网络流量数据进行预测分析.结合相空间重构理论将已知数据构造成训练样本,利用遗传算法对混沌算子参数进行训练调节,从而改变网络的动力学特性,使之逐渐逼近被预测时间序列的动力学特性,并保持与之变化一致.该方法可对各种网络流量数据序列进行有效的预测分析.仿真实验结果表明:与传统的预测方法相比,该方法具有更好的预测趋势.     

基于SVM与自适应时空数据融合的短时交通流量预测模型

针对短时交通流变化周期性与随机性特点,选取时间和空间序列流量观测值作为支持向量机训练样本进行训练,使用空间序列预测值对交通流时间序列预测结果进行修正,并通过对历史时间空间序列预测结果的分析,动态调整其对未来预测的影响,建立基于SVM与自适应时空数据融合的短时交通流量预测模型.最后,将提出的预测模型与支持向量机时间序列预测模型、指数平滑法、多元回归法预测结果进行对比,结果表明:自适应时空数据融合预测模型可将预测平均相对误差控制在4%,明显高于其他模型预测精度.     

基于非线性理论的短期交通流预测研究

尝试用非线性理论对短期交通流进行分析和预测.建立了基于混沌动力学理论的短期交通流预测模型和方法,给出短期交通流预测的框架,用主分量分析法(PCA)对三种采样间隔(1 min5、min和15 min)的短期交通流数据进行分析,在判定短期交通流表现出混沌特性的基础上,用基于相空间重构理论的加权一阶局域预测法进行短期交通流预测.理论研究成果在上海延安高架路5 min采样间隔的交通流线圈检测数据中得到了验证,预测数据与实测数据吻合较好.     

Generic reconstruction technology based on RST for multivariate time series of complex process industries

In order to effectively analyse the multivariate time series data of complex process, a generic reconstruction technology based on reduction theory of rough sets was proposed. Firstly, the phase space of multivariate time series was originally reconstructed by a classical reconstruction technology. Then, the original decision-table of rough set theory was set up according to the embedding dimensions and time-delays of the original reconstruction phase space, and the rough set reduction was used to delete the redundant dimensions and irrelevant variables and to reconstruct the generic phase space. Finally, the input vectors for the prediction of multivariate time series were extracted according to generic reconstruction results to identify the parameters of prediction model. Verification results show that the developed reconstruction method leads to better generalization ability for the prediction model and it is feasible and worthwhile for application.     

基于粒子群优化模糊核聚类的电梯群交通模式识别

为了改善电梯群控系统的性能,使电梯群节能并高效运行,针对不同的交通模式采用合理的调度算法对电梯群进行优化调度,提出一种基于粒子群(PSO)的模糊核聚类算法(KFCM)的电梯交通流模式识别方法．利用基于梯度下降的粒子群优化算法代替KFCM算法的迭代过程,可使算法具有较强的全局搜索能力和局部搜索能力,并降低了KFCM算法对初始值的敏感度．利用核方法将低维特征空间的样本映射到高维特征空间,增加对样本特征的优化,并使样本特征在高维特征空间线性可分,更加容易聚类．采用在某办公楼采集的电梯交通流数据作为测试样本,仿真结果表明,与FCM聚类算法相比,该算法具有良好的性能指标,对电梯交通流的聚类效果更准确．     

基于G-P算法的快速路交通流参数相空间重构

提出了一种基于混沌分析的G-P(Grassberger-procaccia algorithm)算法将非平稳交通流参数时间序列近似转化为平稳时间序列的方法。首先采用自相关函数判断自由流状态、拥挤流状态和阻塞流状态下交通流基本参数时间序列的平稳性。然后应用G-P算法计算嵌入维,进行相空间重构,给出交通流参数时间序列平稳化方法。最后利用快速路交通流实测数据,对3种状态下非平稳的交通流参数时间序列的平稳化进行验证,结果表明:本文方法能够为交通流参数分析、拟合和预测提供科学合理的输入集。     

一种组合核相关向量机的短时交通流局域预测方法

为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

演化追踪法优化相空间的SVM供水量预测模型

相空间重构的支持向量机预测模型应用十分广泛,在城市供水量预测方面也占据着重要地位,传统的预测模型趋向于将重构的相空间整体带入,这样可能存在引入无效相点从而影响预测精度的问题,基于此将演化追踪法引入相空间重构的预测模型对有效相点进行筛选,优化预测模型的训练样本,达到提高预测精度目的。利用MATLAB编程软件将演化追踪法用于城市供水量的预测,预测结果的平均绝对误差由0.52%降低到了0.29%,证明了演化追踪法的可利用性与有效性。     

基于实际最大信号控制周期的交通流预测方法研究

引入非线性理论分析方法,在分析判定采样周期为实际最大信号控制周期（3min）的交通流数据表现出混沌特性的基础上,用基于相空间重构理论的局部预测方法进行预测,预测数据与实测数据吻合较好。     

基于排队论的电梯交通系统阈值控制方式

目的寻找电梯交通系统最佳调度控制策略.方法将排队论理论应用到电梯群控系统中,对电梯上升高峰期间运行参数进行分析,讨论电梯乘客人数与平均候梯时间、乘客到达率等变量之间的关系,提出一种基于M/Mr/1排队系统模型的阈值策略控制方法.结果借助计算机在不同情况下对所提出方法进行了仿真试验,并以真实建筑物的电梯数据为例,采用不同的调度控制方法对不同的性能指标进行了对比分析,验证了排队论阈值方法在电梯群控系统中应用的可行性.结论试验结果表明,基于排队论的阈值方法是一种在电梯上升高峰期间理论合理、实施性较强的调度控制方法.     

基于相空间重构的降雨时间序列降噪及预测研究

为解决降雨混沌时序预测精度较低的问题,基于相空间重构思想,引入改进的局部投影算法进行降雨时序的降噪;采用定性和定量的混沌特性判定方法,指出降雨时序具有明显的混沌特性.并在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验.实验结果表明:降噪前后预测精度相差很大,表明噪声是造成混沌预测方法预测精度较低的主要原因.最后通过与其他预测方法比较,验证了所建立的混沌预测模型预测精度高、误差较小,可用于工程实际.     

基于支持向量机方法的短时交通流量预测方法

在总结已有多种预测模型的基础上,充分考虑了交通本身所存在的非线性、复杂性和不确定性,提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于BP神经网络的预测模型的对比结果表明,该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.     

降雨时间序列降噪及预测系统建模研究靠

以解决降雨混沌时序预测精度较低的问题为目的,基于相空间重构思想,应用混沌降雨时序奇异值分解技术对混沌时序的噪声进行了剥离。采用定性和定量的混沌特性判定方法,计算指出降雨时序具有明显的混沌特性。在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验。结果表明降噪前后预测精度相差很大,证实了噪声是造成混沌预测方法预测精度较低的主要原因。通过与其他预测方法比较,验证了所建立的混沌预测模型能够捕捉到原混沌系统的动力学特征,预测误差较小,泛化能力较强,其预测效果较好。     

基于模型预测控制的环形交叉口信号配时方法

面向城市环形交叉口,尤其是多支路环交,以更好地适应道路交通流的时变特性为目的,采用模型预测控制思想,建立环道和入口处的动态过程预测模型.通过在线求解并滚动优化目标函数,得出一个滚动周期内环形交叉口轮放式控制的最佳信号配时参数.根据顺时针轮放相序和相位搭接规则,将动态配时方案作用于环形交叉口.仿真结果表明,利用提出的信号配时方法更加合理地分配了环形交叉口时空资源,对于多路畸形环交,有显著的避免环内"死锁"的效果,环形交叉口的整体运行性能显著提升.     

基于双尺度长短期记忆网络的交通事故量预测模型

为了降低交通事故的发生、减少财产损失,建立新型交通事故量预测模型. 该模型利用双尺度分解方程将原始交通事故时间序列分解为多个子层,并利用长短期记忆（LSTM）网络对得到的低频子层进行预测;利用双尺度重构方程将低频子层的预测结果进行重构. 分别构建LSTM预测模型、门控循环单元(GRU)预测模型、自编码(SAEs)预测模型和双尺度长短期记忆网络(DS-LSTM)预测模型,利用这4个预测模型对2个数据集进行预测. 结果表明,本研究模型相较其他模型能够有效预测交通事故时间序列,且具有较强的鲁棒性. 对于2个数据集,相较于原始的LSTM模型,DS_LSTM预测模型预测准确度分别提高6%、28%;对2个不同数据库(利兹和UK)的测试表明本研究模型具有较好的泛化性能.     

并行式时空二维融合路段交通量预测

提出了一种基于支持向量机(SVM)的并行式时空二维融合路段交通量预测方法,对时间SVM和空间SVM分别在两个并行的操作系统模型中进行,以此降低时间成本.并将时间维SVM预测、空间维SVM预测与基于SVM的数据时空二维线性融合预测结果进行了对比,通过对比表明,时空二维线性融合预测的误差很明显比其它两种方法预测的结果误差要小得多,因此本文提出的时空二维融合可大大的提高预测精度.尤其是当有突发因素(如:交通事故发生)时,本文所提出的方法可在很大程度上避免一维时间源数据融合的结构性系统误差.     

支持向量机在非点源污染负荷预测中的应用

针对非点源污染形成过程复杂、基础资料不完备的特点,尝试将支持向量机技术用于小样本渭河流域华县站非点源总氮年污染负荷量预测.支持向量机(SVM)能在有限样本情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题来获得全局最优解,从而克服了神经网络易陷于局部极小值的缺点.采用华县站1976-1993年总氮非点源负荷及与其产生关系密切的径流、泥沙、降雨资料,前15 a资料用作训练,后3 a资料用作检验.经过与最小二乘支持向量机、BP神经网络和最小二乘回归方法预测结果比较,表明SVM方法预测精度要优于后两者,可用于有限资料条件下非点源负荷预测.