基于相空间重构理论与递归神经网络相结合的股票短期预测方法*

根据股票指数时间序列复杂的非线性特性,提出以相空间重构理论与递归神经网络相结合的股票短期预测新方法.以相空间重构理论确定最佳延迟时间和最小嵌入维数,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进递归的生成训练数据进行短期预测,提高了预测精度和稳定性.该方法应用于沪市股票综合指数预测,其结果与传统的单纯用BP网络模型预测的结果相比较,精度大大提高,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性.     

基于回声状态网络的多变量预测模型的研究

考虑单变量在混沌时间序列预测中的不足,文章利用多变量模型进行混沌时间序列的预测。针对多变量预测过程中的维数过高问题,文章结合主元分析理论(PCA)和回声状态网络(ESN),构建了基于PCA和ESN的多变量混沌时间序列预测模型,将PCA降维后的时间序列数据输入ESN网络进行预测分析。论文对由Lorenz动态方程生成的三变量混沌时间序列进行了仿真实验,结果表明该模型有效地提高了预测的精度和预测的效率,是一种有效的混沌时间序列预测方法。     

城市级智慧停车综合管理系统的研究与应用

交通拥堵、停车贵、停车难等问题在城市中日益凸显.基于通信技术、网络技术、大数据、云计算等技术手段,设计开发城市级智慧停车综合管理系统.采用分层分布式网络结构,实现停车场管理、停车信息采集、停车引导、泊位预定查询等一系列智慧停车管理和服务,并全面应用到长春市105个封闭停车场和28条街道的路内/路侧停车泊位,解决了长春市"两横三纵"快速路下的所有停车场/泊位的车辆停放管理问题,形成了以"城市级"概念为基础的智慧停车解决方案.长春市的成功案例表明该系统在缓解交通拥堵、解决停车难题的同时也可为政府部门的决策与监督提供数据支撑,助力智慧城市的建设.     

基于分组采样组播网络流量预测研究

组播网中网络流量分布的不均衡是网络拥塞主要原因,而网络流量预测是解决拥塞问题的关键.本文介绍了网络流量预测的两种重要方法:分组采样和频率采样.通过建立相应的采样模型,分析真实的网络流量数据,进行模拟实验的验证,得出了采样周期时间序列上的相关性和网络流量有很强的自相似特性.分组采样在流量估计精度,预测误差和分组数的取值方面优于频率采样.从而为组播网络拥塞的控制的研究提供了可靠的数据根据,保证了网络质量.     

自动代客泊车背景下的共享停车供需匹配模型及对应禁忌搜索算法

为了减少自动代客泊车车辆在停车场或指定停车区域内的车辆移位次数和距离,从而降低相关的成本和潜在事故风险,在满足共享停车需求的条件下构建了相应的车辆和泊位匹配优化模型.考虑到无人驾驶车辆停车中可自由移位的特征,将共享停车的需求和供给在时间上加以细分,与决策变量和可行解对应定义了匹配、匹配条和匹配图的概念;通过概念转换将求解匹配图的有效邻居转换为经典指派问题,并利用匈牙利算法加以求解;针对匹配模型的NP-hard特征,设计了对应的禁忌搜索算法.数值分析不仅验证了模型的合理性和求解算法的有效性,也证实模型与方法可处理有人驾驶的共享停车匹配问题.结果表明,利用自动代客泊车可以进一步提升共享泊位利用率,增加可停放的共享车辆数.     

混沌时间序列的组合网络预测研究

针对混沌时间序列的解析方程的不确定性,提出了自适应模糊递归网络组合预测网络.网络不依赖混沌时间序列的确定性方程和初始条件,根据给定的训练数据,先采用Anfis网络对训练数据进行处理,然后与Elman网络组合预测,从而提高了预测能力和精度.通过对Mackey2Glass混沌时间序列仿真实验,表明了Anfis-Elman网络增强了局部泛化能力,其预测精度明显高于BP网络和Elamn等网络.     

无线传感器网络中基于预测的时域数据融合技术

数据融合是无线传感器网络中重要的研究领域之一。在无线传感器网络中,数据融合的作用主要体现在节省能量、提高数据收集效率、增强数据准确性以及获取综合性信息等几个方面。时间序列分析是一种根据动态数据揭示系统动态结构以及规律的统计方法。基于监测数据的时间序列模型以及时间序列预测,提出适用于无线传感器网络的基于预测的时域数据融合方法,以部署于故宫博物院的环境监测网络采集的温度数据作为样本,通过仿真对该方法进行有效性验证以及性能分析。结果表明,一阶自回归预测算法与其它预测算法相比,具有更好的适用性,当误差阈值为0.05℃-0.50℃时,预测成功率为21%-83%;当误差阈值为0.05℃时,节能收益达到68%。     

基于混沌理论和神经网络的网络流量预测

针对目前网络流量预测不能很好地满足智能网络管理需求的现状,分析网络流量数据内在混沌特性,主要包括时间延迟、嵌入维数、关联维数及Lyapunov指数的计算,并将此分析耦合人工神经网络模型进行预测,最后给出某网络中心流量预测的实例,结果显示基于混沌时间序列分析的神经网络流量预测在数据动力特征刻画及误差控制上有显著优势。     

基于CBP的卷烟销售二重趋势时间序列预测模型研究与应用

二重趋势时间序列的预测结果与其整体趋势变动性和季节波动性的特征有较大的关系,在采用神经网络并针对其特征的基础上还没有较好的预测方法.本文以圆形反向传播网络(CBP)为基础,提出二重趋势时间序列预测组合模型(CCBP),即根据二重趋势时间序列特征对其趋势分量与周期分量采用圆形反向传播网络分开进行预测,再对二者积乘.以云南省某片区若干卷烟销售网点的采样数据为研究实例,证实了CCBP模型在二重趋势时间序列预测方面性能有所提高.     

基于Transformer的街道停车位数据补全和预测

随着城市汽车数量的持续增长,街道停车难已经成为一个热点问题。解决街道停车问题的关键在于准确预测街道未来的停车位信息。移动群智感知方式(CrowdSensing)通过在车辆上安装声呐以感知路边的停车位情况,是一种低成本、高效益的感知停车位的方式,然而这种方式感知的停车位数据在时间上存在高稀疏性问题,传统模型无法直接用于预测。针对此问题,提出了一种基于Transformer的停车位序列补全和预测网络,此网络通过编码器生成缺失停车位序列的记忆,进而解码器以自回归的方式补全停车位序列中缺失的部分,同时预测出未来的停车位信息。实验结果表明,所提方法在两个高缺失的街道停车位数据集上的补全和预测效果都优于传统的机器学习和深度学习方法。     

大型停车场空闲车位短时预测方法

为了提升智能交通系统性能及停车场利用率,针对大型停车场空闲车位短时预测进行了研究,提出了一种基于灰色理论、BP神经网络和马尔可夫链的组合预测方法以提高预测精度与时效性,该方法首先使用灰色理论处理数据,弱化其随机性,再进行人工神经网络训练,得到数量预测结果,最后使用马尔可夫链消除系统产生的随机误差得到最终结果。实验表明,这种组合预测方法有效提高了预测精度,预测结果符合实际停车场数据变化规律,为驾驶员提前作出合理的停车场选择提供了可靠依据,能有效提高停车场车位利用率。     

基于长短期记忆神经网络的可用停车位预测

可用停车位预测是智能停车诱导系统的关键问题之一。当前基于神经网络的预测技术在较短预测周期内,预测准确度的平均绝对误差在 10 左右,但随着预测步长或周期的增加,预测精度急剧下降。针对这一问题,该文提出了一种在中长预测时间周期内可保持数据变化特征的泊位预测方法。该方法使用模糊信息粒化获取特征数据集,通过训练长短期记忆神经网络预测未来的特征数据集,基于数据插值方法重建出整个区间可用停车位的连续变化曲线。仿真结果表明,该方法在相同预测步长的可用车位预测上,比传统预测方法具有更高的预测精度;在保持相近预测精度的条件下,比传统预测方法具有更高的计算效率。     

城市潜力地段共享停车位资源需求预测仿真

当前停车位资源需求预测方法对城市潜力地段停车位资源分布均匀性差,导致共享停车位资源需求预测误差较大、可信度较低等问题。针对上述问题提出一种基于灰色算法的共享停车位资源需求预测方法,计算共享停车时间转变参数、出行吸引参数、区位因子参数和出行方式调节参数。利用灰度灰色算法构建非畸形模型,将参数结果代入最小二乘法中获取指标矩阵,利用该矩阵计算拟合值,得到城市潜力地段共享停车位资源需求的预测结果。实验结果证明,所提方法能够提高共享停车位资源需求预测准确率,保证了方法的可信度。     

基于智能停车综合管理平台的网络系统

随着城市汽车保有量的增加,道路拥堵与停车难问题日益突出。当前城市停车管理平台存在停车场网络资源利用率低,城区停车场统一管理困难,停车信息共享能力差等问题。本文搭建城市智能停车综合管理平台的网络系统,并将该网络接入智能交通核心网络,将城市不同位置的停车场与停车信息实时传输到智能停车综合管理平台,对数据进行统一存储与处理;实现智能停车综合管理平台不同的停车网络信息交互,提供跨部门跨区域停车场信息的联网服务,解决停车难问题。     

城市停车场实时车位获取与分配研究

以实时获取空余车位和智慧分配车位为目标,基于射频识别技术和地理信息技术开发智慧停车系统原型。采用模糊决策矩阵,定量化驾驶员从当前位置到停车场的驾驶时间、停车费用、停车场至目的地的步行距离和停车场的空余车位数这4个车位分配影响因素的权重;在考虑空余车位有限和实时交通状况的前提下,提出带有4个条件矩阵的车位分配模型,并利用某市道路网、交通状况、停车场等数据在ArcGIS中进行模型实验,实验结果表明,该智慧停车系统具有一定的可行性和实际意义。     

基于随机非平稳和长短时记忆网络的泊位混合预测

为了缓解大城市中日益突出的停车困难,现如今中国各大城市级停车诱导系统的研究开发势在必行.在停车诱导系统中,作为帮助用户找到最合适的停车场的重要因素,对未来停车位的预测是一个非常重要的智能技术手段.目前主流预测方法如果没有了实时数据,大部分会出现误差累积现象,从而影响预测准确性.然而,在停车诱导系统平台的建设早期,我们很难做到将城市所有停车场实时的数据流搜集起来.因此,文中以具有周期特性的非平稳停车位历史数据为研究对象,首先根据中心极限定理和大数定理对停车位进行统计分析,然后结合LSTM （Long Short-Term Memory）,提出混合预测模型SAL （non-stationary Stochastic And Long short-term memory）来对未来某个时间段的停车位作有效预测.实验数据证明,相比于单独使用LSTM和Lyapunov指数法作长期预测,SAL的计算复杂度更低,预测效果相对更加精确,并且有效解决了在失去实时数据支撑情况下多步长期预测导致的误差累积问题.     

基于循环生成式对抗网络实现停车场 时空数据的修复

停车诱导技术在一定程度上缓解了高峰时段无序停车问题,并减少了司机寻找车位的时间,但停车诱导系统对实时数据和历史数据有较高的依赖。如果缺少相应数据,那么诱导系统的准确性将大打折扣。针对这一问题,该文通过挖掘停车场周围的空间数据,提出了一种停车场空间相似度度量,并计算出停车场空间相似情况下其数据的相似条件概率。当条件概率足够大时,以已知数据为学习样本,使用循环生成式对抗网络获得修复数据。实验结果表明,当停车场空间具有较高空间相似度时,其数据同样有大概率的相似性,使用循环生成式对抗网络生成的数据与真实数据具有相同的分 布。该文提出的方法可在短时间内生成大量的合理数据,现停车场数据的修复,提高诱导系统的可靠性。     

数据驱动的通勤团体配对共享停车方法研究

随着机动车保有量日益增加,停车难愈发成为城市的通病,但当上班地点停车场大排长龙时,周边居住区车位却大量处于空闲状态,车位资源得不到合理利用,而现有的共享停车方法由于其随机性实施难度较大。为减少其随机性,降低共享停车的实施难度以及减少车位资源的浪费,基于毗邻办公楼与居住区的通勤团体之间出行时间具有的天然互补性,提出数据驱动一对一的配对共享解决方案。通过分析车场车辆进出记录数据对问题进行求解,分析进出口数据,得到关于居住区车位的空闲时长特征与办公楼车辆的使用时长特征,进而根据时长最大化的匹配方法得到配对车位与车辆。针对选取的停车场进行实验,完全匹配的车位占比37.66%,所有匹配车位利用率平均提高15.24%,其中最大提高57.84%。结果表明配对共享方法具有较大可行性。     

基于磁阻传感器的智能车位锁停车检测算法

智能车位锁通过其内置的磁阻传感器可实现车位状态的实时监控,并利用监控信息实现自 动缴费、车位预约和车位共享等应用。但车位锁上锁和落锁过程会产生磁场干扰,传统的停车检测算法没有考虑这类干扰,造成误检率高。为解决这一问题,该文提出了一种抗干扰的停车检测算法,将车辆磁信号建模为方差序列,根据干扰的特征提出干扰信号滤波方法,结合状态机实现了更 为稳定的停车状态检测。实地部署的 50 个智能车位锁实验结果表明,该算法具有更高的可靠性,并显著提高了车辆检测准确率。     

基于迷你卷积神经网络的停车场空车位检测方法

针对日益严峻的停车难问题,提出一种基于改进卷积神经网络停车场空车位检测方法。首先,根据车位只需用两种状态来表示其占空的特点,对传统卷积神经网络结构进行改进,提出迷你卷积神经网络（MCNN）的概念;然后,通过减少网络参数来减少训练和识别时间,并在网络中加入局部响应归一化层以加强对明度的校正,以及使用小卷积核来获取更多图像细节;最后,对视频帧图进行手动掩码设置,通过边缘检测切割成单个车位图,并使用训练好的MCNN进行车位识别。实验结果表明,与传统机器学习方式相比,基于MCNN的检测方法识别率能提高3~8个百分点,同时网络参数仅为常规使用卷积模型的1/1 000,且在文中所述的几种不同环境中,识别率的均保持在92%以上。实验结果表明,MCNN可移植到低配置摄像头,实现停车场空车位自动检测。