基于奇异谱分析的机场噪声时间序列预测模型

随着我国民航事业的不断发展,机场噪声问题日益严重。针对机场噪声时间序列预测问题,提出了一种基于奇异谱分析的噪声序列预测模型,即将机场噪声时间序列按照奇异谱分析预测的方法进行奇异值分解,得到主分量和经验正交函数,分析其趋势和振动的特点,然后选择适当的特征向量进行序列重构,通过线性重复公式建立预测模型。在此基础上,提出通过状态转移矩阵确定残差偏离方向,并根据残差的偏离方向和贡献率将重构模型忽略的次要成分计算进去,进而对预测值进行修正。在某机场实测数据中的应用表明,该方法的准确度明显优于已有SSA预测方法。     

改进熵值法和马尔科夫链的组合预测及应用

机场货邮吞吐量是机场决策规划和发展的基础。传统的单一预测由于精确度低等各种缺陷,已不能满足越来越高的要求,为了准确合理预测航空货邮吞吐量,提出了在各单一预测模型的基础上,利用熵值法建立组合预测模型的方法,并对西安咸阳国际机场货邮吞吐量进行组合预测。实例表明,熵值法组合预测模型与单一预测模型相比,实用性更强,预测精度也有所提高。选用马尔科夫链模型对熵值法组合模型预测结果进行修正处理,增加预测结果的可信度。     

主成分在输电线路可听噪声预测中的应用研究

针对超高压输电线路可听噪声BP网络预测模型影响因素多的问题,运用主成分分析算法（PCA）对影响可听噪声的环境因素、地理参数、导线结构参数等14个因素进行简化,建立PCA-BP网络预测模型。选取甘肃省内多条750 kV、330 kV输电线路的可听噪声的实测资料为样本集,采用Matlab神经网络工具箱进行模型训练与预测,并与BP网络模型预测结果比较。结果表明：主成分分析方法在可听噪声影响因素的简化中不适用,预测结果没有BP网络模型预测结果理想。分析了主成分在可听噪声影响因素简化中不适用的原因。     

基于GM-LSSVR机场噪声时间序列预测模型

随着我国民航事业的不断发展,机场噪声问题日益严重.针对机场噪声时间序列预测问题,在分析了噪声数据特点的基础上,提出了一种基于GM-LSSVR的噪声序列预测模型,即将机场噪声时间序列进行分解,并分别建立趋势项的GM(1,1)模型和剩余项的LSSVR模型,用于机场噪声预测值的计算.在某机场实测数据中的应用表明,该方法的准确度明显优于其他预测方法.     

基于观察学习的机场噪声监测点关联预测研究

针对机场噪声监测点设备损坏和老化导致噪声数据采集异常的问题,寻求软件解决方案。在分析监测点之间关联性的基础上,建立了一种基于观察学习的机场噪声监测点关联预测模型。首先,通过衡量失效监测点和其余正常监测点之间的关联性来筛选出关联度高的监测点;接着,利用BP神经网络集成建立回归预测模型。提出了一种"基于学习成果优异度加权"的观察学习算法,解决了小样本的欠拟合问题,提升了模型泛化能力。基于某机场实测数据的实验表明,所提出的预测模型具有较好的预测能力,并且改进后的算法比标准的观察学习算法更为稳定,效率更高。     

基于Cadna/A的500kV变电站噪声预测模型优化

变电站运行噪声带来的环境影响逐渐得到重视,因此需要合适的噪声预测模型来准确评估站内噪声水平.500 kV变电站的主要噪声源是主变压器,在以往的工程实践中常采用现有技术规范中给出的概化的主变噪声模型,预测结果往往与实际情况有一定差距.基于Cadna/A和实际测量,在以往研究的基础上提出声源具有指向性的多点等效源主变模型.对某典型500 kV变电站的仿真计算与实测数据的对比分析表明,以该模型构建的500 kV变电站噪声预测模型能较为准确地预测500 kV变电站站内及厂界噪声值,误差不超过2 dB(A).     

基于立方分解模型的机场噪声预测方法磁

机场噪声影响已成为阻碍机场发展的重要问题,而机场噪声实时预测是机场噪声研究的一个重要方面,对机场噪声监测及机场噪声影响规律的研究有着重要意义。由于机场噪声实时预测问题可以形式化为矩阵填充问题,论文首先使用协同过滤算法中的矩阵分解模型进行求解,然后根据机场噪声的影响因素的数据特征,提出了一种基于立方分解模型的机场噪声预测方法。通过实验表明,与矩阵分解模型相比,基于立方分解模型的机场噪声预测方法预测精度有了很大提高。     

组合模型在机场旅客吞吐量预测中的应用

研究机场运输优化控制问题,机场旅客吞吐量受到政治、经济、节假日、票价和天气等多种因素影响,具有周期性和非线性变化特点,传统单一预测方法只能描述其部分变化规律,预测精度低。为了提高机场旅客吞吐量预测,将灰色模型和BP神经网络相结合,形成一种机场旅客吞吐量组合预测模型。首先组合预测模型利用灰色模型对线性变化部分进行预测,然后采用BP神经网络对非线性变化部分进行预测,并对预测误差进行补偿。仿真结果表明,组合模型,解决了单一预测模型存在的缺陷,提高了机场旅客吞吐量预测精度,为机场旅客吞吐量预测提供一种新的思路。     

改进IOWHA算子组合预测模型

针对现有单项预测模型提供信息有限,预测误差大的问题,引用最优加权组合建模理论,将灰色关联度与IOWHA算子相结合,提出一种新的组合预测模型权重确定方法,并应用该权重确定方法构建了一种基于RBF神经网络预测模型和GM预测模型的最优组合预测模型。该模型能够克服传统组合预测方法的两个缺陷：加权平均系数不变和以单一误差指标为准则。利用该组合模型对全国物流需求进行组合预测,并与RBF神经网络模型、GM模型的预测结果进行了对比分析。结果表明,相对于单项预测模型,该组合预测模型的预测精度更高,是一种有效的物流需求预测模型。     

基于变分自编码器的评分预测模型

深度学习模型具有鲁棒性差的局限性,常见的如在图片中增加特定的噪声会影响到图片的分类和预测结果。近期有学者将深度学习引入到推荐系统中,因此在推荐系统中也存在噪声对推荐精度影响的问题。针对深度推荐模型的鲁棒性问题,基于变分自编码器（Variational Auto-Encoder,VAE）提出了新的评分预测模型REVAE （REcommender Variational Auto-Encoder）。该模型为了训练模型对噪声干扰的鲁棒性,在传统的VAE上增加了一层隐层表示,利用后验分布对隐层表示进行约束,并在该隐层上增加了噪声,通过重构输入数据,训练得到具有抗噪能力的推荐算法模型。在公开的Movielens数据集上进行的实验结果表明,REVAE可以有效降低噪声对模型的干扰,使得整个模型更具有健壮性,相比其他评分预测算法具有更好的推荐效果。     

聚类再回归方法在机场噪声时间序列预测中的应用

对于机场噪声的预测,针对绘制等值线方法预测成本高和误差较大的缺点,以及分类再回归 方法中分类时缺乏可指导性标准的问题,本文提出了基于支持向量机的先聚类、再回归的时间序列的预测方法。对机场噪声时间序列的先聚类再回归方法,采用常用k均值划分算法,利用聚类特点,将样本限定在同一类的范围内,再对同类样本进行回归预测。Housing及Laser generated data数据集上的实验表明,采用先聚类再回归方法得到的拟合值比直接回归方法得到的拟合值要精确。将该方法应用到北京某机场实测数据中,并与其他预测模型进行对比,准确度明显优于其他预测方法。     

基于多尺度特征和注意力的金融时序预测方法

金融时间序列预测是经济领域中一个非常重要的实际问题,然而,由于金融市场的噪声和波动性,当前存在方法的预测精度尚不能令人满意。为了提高金融时间序列的预测精度,提出了一种融合扩张卷积神经网络（dilated convolutional neural network,DCNN）、长短时记忆神经网络（long short term memory,LSTM）和注意力机制（attention mechanism,AT）的混合预测模型DCNN_LSTM_AT。该模型由两个部分组成：第一部分包含扩张卷积神经网络和基于LSTM的编码器,其功能在于提取原始序列数据中不同时间尺度的有效信息;第二部分由带注意力机制的LSTM解码器构成,其功能在于对第一部分提取的信息进行过滤并利用过滤后的信息进行预测。最后将所提模型在3支股指数据集和3支个股数据集上进行实验,并与其他常见的基准模型进行了对比,实验结果表明该模型相比于其他模型具有更好的预测精度和稳定性。     

考虑时空影响下的图卷积网络短时交通流预测

针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络（GCN）与门控循环单元（GRU）组合短时交通流预测模型。利用GCN对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征。采用GraphSAGE算法改进GCN模型,通过加和聚合算子和图注意力机制（GAT）聚合空间特征,将包含空间特征的输出作为GRU模型的输入提取时间特征。利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有GCN的模型预测准确率提升约8%,均方误差缩小约0.010?37,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据。     

基于ACGRU模型的短时交通流预测

针对现有交通流预测模型未能充分利用交通流数据的时空特征以实现准确预测的问题,提出一种结合注意力机制的卷积门控循环单元预测模型（ACGRU）。该模型利用卷积神经网络（CNN）和门控循环单元（GRU）提取交通流的时空特征,然后使用注意力机制生成含有注意力概率分布的交通流特征表示,同时利用交通流的周相似性提取周期特征,将所有特征相互融合进行回归预测。在真实交通流数据集上的实验表明,提出的ACGRU模型具有更高的预测精度,预测误差相比其他预测模型平均降低了9%。     

基于CEPSO-LSSVM的煤炭消费量预测模型

针对煤炭消费量的时变性、非平稳性特点,为了提高煤炭消费量预测精度,提出了一种鲶鱼粒子群算法优化最小二乘支持向量机（LSSVM）的煤炭消费量预测模型（CEPSO-LSSVM）。将LSSVM参数编码成粒子位置串,并根据煤炭消费量训练集的交叉验证误差最小作为参数优化目标,通过粒子间信息交流找到最优LSSVM参数,并引入“鲶鱼效应”,保持粒子群的多样性,克服传统粒子群算法的局部最优,根据最优参数建立煤炭消费量预测模型,并采用实际煤炭消费量数据进行仿真测试。结果表明,相对于其他预测模型,CEPSO-LSSVM可以获得更优的LSSVM参数,提高了煤炭消费量预测精度,更加适用于复杂非线性的煤炭消费量预测。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络（long short-term memory,LSTM）作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40?辆/km的时间段中,其预测结果的平均绝对百分比误差（mean absolute percentage error,MAPE）与LSTM、门控循环单元（gated recurrent unit,GRU）、反向传播（back propagation,BP）神经网络、卷积神经网络（convolutional neural network,CNN）、图卷积网络（graph convolution network,GCN）传统预测模型相比,分别减小了19%、20%、25%、16%、25%。     

改进的支持向量机算法及其应用

支持向量机（SVM）算法应用于具有小样本特征的实际问题时是否能获得到良好的预测效果,取决于能否成功地设置该算法的关键参数,这一瓶颈问题一直阻碍着SVM在具有小样本特性的实际工程中的应用。在分析SVM回归估计方法参数性能的基础上,提出了以自适应粒子群算法（APSO）优化SVM关键参数的改进SVM算法,并以变电工程为背景给出了相应的工程造价预测模型。运用此模型,对某实际变电工程实例进行了造价预测仿真分析,并与传统的支持向量机算法进行比较,结果说明改进的支持向量机算法具有良好的变电工程造价预测精度,且速度较快。     

基于圆盘散射模型的无线传感网定位方法研究

在非视距传播（NLOS）环境下,基于圆盘散射模型来构造和引入NLOS误差符合实际的多径通信场景。利用已知锚传感器节点测量得到的电波到达时间和电波到达角等信息对未知节点位置进行定位估计。将圆盘散射模型细化为两种建模,即以未知节点为中心的散射体圆盘模型和以锚节点为中心的散射体圆盘模型,对各模型有针对性的提出定位思路和方法。进行计算机仿真,实验结果表明所提出的定位方法较传统的多种定位法具有更小的定位误差,定位精度较高。同时所提出的定位法不受圆盘散射半径的增大对定位误差的恶化影响,鲁棒性较好,适用面广。     

改进GWO优化SVM的云计算资源负载短期预测研究

云计算资源负载短期预测是云计算平台实现资源高效管理和系统安全、稳定运行的重要前提和保障措施之一。为了其提高负载短期预测的预测精度,提出一种改进灰狼搜索算法优化支持向量机的短期云计算资源负载预测模型（EGWO-SVM）。首先介绍灰狼搜索算法（GWO）的基本原理;然后提出基于极值优化的改进GWO模型;最后根据最优参数建立短期资源负载预测模型,并通过仿真实验对EGWO-SVM的性能进行测试。实验结果表明,相对于参比模型,EGWO-SVM能更加准确地刻画云计算短期资源负载的复杂变化趋势,从而有效提升云计算资源负载短期预测的精度。