基于时空融合图卷积的交通流数据修复方法

为了解决现有时空相关修复法挖掘交通流特性不充分的问题,提出基于时空融合图卷积网络的缺失数据修复方法. 该方法在分析交通流时空特性的基础上,采用2类函数分别计算交通流数据的时间自相关系数和空间关联度系数. 将交通检测器的部署位置作为节点构成几何拓扑图,通过线性融合规则构建时空融合矩阵,替代图卷积输入层的邻接矩阵,捕获交通流细粒化的时空关系. 利用轻量级一维卷积层学习多通道时序向量的时间特征,加快模型的收敛速度. 利用图卷积层学习交通流数据的空间特征,构建时空融合图卷积网络修复模型. 实验结果表明,与其他修复方法相比,该方法在多检测器场景中的修复精度和模型收敛速度均有所提升,可以有效地修复交通流缺失数据.     

基于时空特性和灰色神经网络的短时交通流预测

为了提高城市道路短时交通流的预测精度,提出一种基于时空变化特性和灰色神经网络的短时交通流预测模型。通过对道路短时交通流时间和空间特性的分析,将预测路段与相邻路段进行灰色关联度分析,深度挖掘道路交通流的空间信息,并利用灰色神经网络组合模型对预测路段进行短时交通流预测。以合肥市的道路实测数据进行实例分析,结果表明,相比单一时间序列预测模型,该方法有效提高了道路短时交通流的预测精度。     

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.     

基于灰色理论的拍卖预测算法研究

基于网上拍卖结果难以预测,提出一种基于灰色理论的拍卖预测算法,利用连续的灰色微分方程GM（1,1）模型,对拍卖结果进行预测．基于固定历史数据和移动历史数据分别与简单指数函数预测算法和时间序列预测算法使用平均残差（ARE）进行比较,结果显示该方法不但所使用的数据较少也具有较高的准确性．表明该方法可以有效地预测拍卖结果．     

一种融合纵横时空特征的交通流预测方法

针对现有城市道路交通流预测研究中,上下游交通流时滞特性与空间流动特性挖掘不足、车道级交通流时空特性考虑不充分的问题,提出一种融合纵横时空特征的交通流预测方法。首先,通过计算延迟时间量化并消除上下游交通流断面间的空间时滞影响,增强上下游交通流序列的时空相关性。其次,将消除空间时滞的交通流通过向量拆分数据输入方式传入双向长短时记忆网络,用以捕捉上下游交通流纵向的传递与回溯双向时空关系,同时利用多尺度卷积群挖掘待预测断面内部各车道交通流间多时间步横向时空关系。最后,采用注意力机制动态融合纵横时空特征得到预测输出值。实验结果表明,相较于常规时间序列预测模型,所提方法在单步预测实验中,平均绝对误差、均方根误差分别下降了约15.26%、13.83%,决定系数提升了约1.25%。在中长时多步预测实验中,进一步证明了所提方法可有效挖掘纵横向交通流的细粒化时空特征,并具有一定的稳定性和普适性。     

基于修正GM(0,N)模型的情报雷达购置费预测

针对情报雷达购置费用估算方面存在预测周期短、适用范围小及估算误差大等问题,构建雷达装备性能指标体系,提出基于相似关联的修正GM(0,N)预测模型.该方法通过建立费用估算建模数据矩阵,运用灰色关联分析和相似关联分析对数据矩阵进行重构,引入精度检验和残差修正对预测结果进行修正.实例分析表明,该方法是有效的;与线性回归模型和传统GM(0,N)模型相比,该修正GM(0,N)预测模型使估算结果更准确.     

基于卡尔曼滤波的GM(1,1)-AR预测模型在变形预测中的应用

针对变形监测数据的随机不确定性规律,将卡尔曼滤波引入以消除随机扰动误差,利用GM(1,1)模型能直接处理非平稳时间序列且拟合时间序列中的趋势项功能强大这一优势,将灰色理论与时间序列分析法相结合形成非线性组合模型,对变形监测数据进行分析预测,并将该预测模型用于建筑物变形工程实例进行分析。对模型检验表明:基于卡尔曼滤波的GM(1,1)-AR模型的预测结果与其他预测模型相比,平均残差和残差的方差均有所减小,且具备较高的精度,对了解建筑物变形的发展趋势以及研究建筑物变形情况及稳定性具有一定的参考价值。     

基于最优汇集时间间隔的城市间断交通流预测

针对城市交通流受信号控制的影响而呈现出间断性、周期性和随机性的特点，提出基于最优汇集时间间隔的城市间断交流预测方法.该方法首先基于傅里叶变换和自相关分析获取城市间断交通流的信号控制周期，再利用交叉验证均方差模型确定最优汇集时间间隔与信号周期的关系，在此基础上提出融合贝叶斯神经网络和深度学习模型的LSTM-BConv预测模型.基于实测数据的实验结果表明：1）基于最优汇集时间间隔统计交通流数据能有效提升城市间断交通流预测模型的预测精度；2）城市间断交通流数据的最优汇集时间间隔为交通信号控制周期的倍数；3）对比试验结果表明，LSTM-BConv预测模型优于常见的预测模型，平均绝对百分比误差提升了4.57%.预测结果可以为信号控制方案的优化提供参考依据.     

基于灰色ELM神经网络的短时交通流量预测

为了提高短时交通流预测的精度,针对现有灰色模型,利用一阶线性微分白化方程拟合交通流数据。针对交通流数据波动性较高和易失真的缺点,提出一种基于灰色ELM神经网络的短时交通流预测方法。首先对短时交通流数据采用灰色模型累加处理,将其转化为长时交通流数据,以降低交通流数据的随机性,有效减小因数据本身波动造成的误差。然后,利用ELM神经网络代替一阶线性微分白化方程,对长时交通流进行预测。最后,将长时交通流预测结果经过累减还原为短时交通流预测结果,有效提高了预测精度。仿真验证结果表明,相比于现有的一些预测方法,该方法提高了预测精度,是一种有效的短时交通流预测方法。     

内河船舶缺失轨迹修复方法

为解决船舶自动识别系统常出现数据丢失妨害海事监管和交通流采集的问题,本文利用内河中船舶时空轨迹具有相似性的特点,提出基于相似轨迹回归的残缺轨迹修复方法。通过插值法对时间周期不规律的AIS数据进行同步,提出相似轨迹快速搜寻方法从数据库中搜寻出相似轨迹。采用改进Hausdorff距离评估和挑选丢失轨迹的最相似轨迹,并利用粒子群优化算法和相似轨迹优化最小二乘支持向量机修复模型,进而修复残缺轨迹数据。实验结果表明:对于长距离残缺轨迹,本文提出的轨迹修复方法比BP神经网络和样条插值法精度更高,平均误差小于30 m;在时效性方面,本方法次于插值法,但优于BP神经网络。     

基于改进欧拉法GM(1,1)电力负荷预测模型研究

提出基于改进欧拉法GM(1,1)电力负荷预测模型,首先运用改进欧拉公式对白化方程进行修正,降低方程对预测结果的影响,然后运用改进欧拉法对灰色预测模型GM(1,1)进行修正.算例分析表明,与一般灰色预测GM(1,1)模型和傅里叶变换残差修正模型相比,该模型的预测精度有较大提高,证明了该模型的有效性和实用性.     

内河船舶缺失轨迹修复方法

为解决船舶自动识别系统(automatic identification system,AIS)常出现数据丢失妨害海事监管和交通流采集的问题。本文利用内河中船舶时空轨迹具有相似性的特点,提出基于相似轨迹回归的残缺轨迹修复方法。首先,利用插值法对时间周期不规律的AIS数据进行同步;然后,提出相似轨迹快速搜寻方法从数据库中搜寻出相似轨迹,利用改进Hausdorff距离评估和挑选丢失轨迹的最相似轨迹;最后,利用PSO算法和相似轨迹优化LS-SVM修复模型,进而修复残缺轨迹数据。实验结果表明:对于长距离残缺轨迹,本文提出的轨迹修复方法相比BP神经网络和样条插值法精度更高,平均误差小于30 m;在时效性方面,本方法次于插值法,但优于BP神经网络。     

多变量残差修正的灰色模型在建筑物沉降预测中的应用

多变量灰色MGM(1,n)模型对建筑物的沉降监测将会产生更好的预测结果,但是灰色MGM(1,n)预测模型存在着自身的缺陷,具有系统的误差。基于此,通过对传统MGM(1,n)模型的残差序列进行修正,建立优化的灰色EMGM(1,n)模型。最后,以某建筑物的沉降实测数据为基础,建立灰色GM(1,1)、MGM(1,n)和EMGM(1,n)模型的预测结果并进行比较,结果表明:灰色EMGM(1,n)模型的预测精度优于灰色GM(1,1)和MGM(1,n)模型,新模型使预测结果更加准确、可靠。     

基于残差周期修正的大气环境发展趋势的灰色新陈代谢预测分析

在传统灰色模型的基础上,遵循数据“重近轻远”的原则,运用了灰色新陈代谢GM（1,1）预测模型对我国大气环境发展趋势进行了预测,及时考虑了系统发展过程中的扰动因素,在补充新信息的同时去掉因时间推移使信息意义降低的老信息,比常规的GM（1,1）模型更好的反映出了系统当前的特征。通过预测可以得出,实行节能减排后,二氧化硫、烟尘和工业粉尘排放量分别降低了34．48％、28．61％和38．71％,大气环境质量有明显好转;其次,对残差序列进行分析,并利用残差周期修正对残差序列进行了修正补偿,通过残差检验、关联度检验和后验差检验,得出基于残差周期修正的新陈代谢GM（1,1）模型精度较高,适合于大气环境发展趋势的预测。最后,进行了滚动检验,也称为事后检验,得出滚动精度较高,可信度较大。     

一种基于OMI数据的中国区域对流层O3的反演方法

近年来, 臭氧成为我国各大城市大气的首要污染物, 因此对流层臭氧产品对于监测近地面臭氧浓度十分重要, 然而现有的对流层臭氧产品不能满足高空间分辨率、高时间分辨率的监测要求.利用时空拟合法对臭氧监测仪(OMI)臭氧总量数据进行修复, 再根据对流层臭氧残差法反演中国区域的对流层臭氧总量数据, 其结果表明: 从定性的角度考虑, 时空拟合法具有更好的修复效果, 从定量的角度考虑, 时空拟合法相对于克里金插值法和反距离加权法的RMSE、MAE均较小.利用对流层臭氧残差法得到的对流层臭氧廓线数据与OMI/MLS的官方臭氧产品有着较高的相关性, 其相关系数R最高为0.82.     

基于小波变换和DGM(2,1)的我国钢铁产量预测

我国粗钢产量数据序列呈波浪上升趋势,传统的灰色预测方法难以获得理想的预测效果.小波变换可以去除原始信号中的噪声,将非平稳的时间序列转化为较为平稳的时间序列.DGM(2,1)模型对适合变化复杂的时间序列的预测.运用小波变换和灰色DGM(2,1)模型对我国粗钢产量额进行来了预测,结果显示:模型的平均预测误差为1.744 9%,比普通DGM(2,1)的5.143 9%减小了66.078 3%,比灰色GM(1,1)模型的3.422 1%减小了49.010 8%,由模型预测得到2019年我国粗钢产量为93 151.009 4万t.     

基于张量分解理论的车道级交通流数据修复算法

为减少数据缺失对交通流量预测、高级驾驶辅助、交通状态估计等应用的影响,提升交通流数据质量,提出一种基于自适应秩Tucker分解的插补方法(ARTDI)用于多车道交通流数据修复。将多车道交通流数据表征为张量模式,以充分利用交通流时空特性。通过张量Tucker分解构建修复目标函数,并利用动量梯度下降法求解。本文采用北京快速路多断面车道交通流速度数据构建完全随机缺失、随机缺失、混合缺失3种缺失模式进行算法验证,实验结果显示,ARTDI算法在3种缺失类型下对3个断面数据修复的平均绝对百分误差(MAPE)分别为11.67%、12.03%、11.89%。此外,随着数据缺失率的增长,ARTDI模型在不同缺失模式下的修复精度均优于对比模型,并且修复误差无显著增长,体现出ARTDI模型良好的稳定性和适用性。     

生物降解复合材料降解性能预测灰色模型研究

提出了采用灰色模型对生物降解复合材料的降解性能进行预测的基本方法,利用实测的降解率序列建立GM(1,1)模型、残差GM(1,1)模型和等维新息GM(1,1)模型,预测复合材料降解率,并对各模型的预测结果进行比较.结果表明,将残差GM(1,1)模型和等维新息CM(1,1)模型结合使用可使预测效果更好.     

基于GM(1,1)修正模型预测离退休人口

离退休人口与社会经济发展息息相关,正确地预测离退休人口对相关政策的制定具有指导作用.基于灰色理论GM(1,1)模型,利用最小二乘法确定模型中的残差,通过对残差进行修正,构建GM(1,1)修正模型.以我国2010—2014年的离退休人口数据为基础,运用修正模型进行预测.研究发现GM(1,1)修正模型预测精度高,具有实际应用价值.     

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.