基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

面向间断流行程时间预测的浮动车数据挖掘

间断流行程时间预测是交通流诱导系统和交通控制系统研究的一项重要内容。指出传统浮动车行程时间预测模型的局限性,提出一个模糊回归模型,该模型克服了传统预测模型的局限性,考虑了相邻路段交通状态（行程时间）的连续性,仅需要少量数据就可以对间断流行程时间进行较准确的预测。利用杭州市的实测数据对行程时间进行了预测分析,结果证明该模型是有效的。     

动态电源管理的随机切换模型与策略优化

提出一种基于连续时间Markov决策过程的动态电源管理策略优化方法.通过建立动态电源管理系统的随机切换模型,将动态电源管理问题转化为带约束的策略优化问题,并给出一种基于矢量合成的策略梯度优化算法.随机切换模型对动态电源管理系统的描述精确,策略优化算法简便有效,既能离线计算,也适用于在线优化.仿真实验验证了该方法的有效性.     

基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

基于概率的自适应学习预测策略

动态电源管理技术降低系统功耗的主要办法是根据工作负载的变化动态地切换目标设备工作模式。针对自适应学习树模型的缺陷,提出基于概率的自适应学习预测策略,通过概率描述设备行为,能够提高预测正确率,从而达到系统功耗与性能之间的优化平衡。基于概率的自适应学习预测策略是一种集预测、控制、反馈为一体的预测策略。实验结果表明,该预测策略具有较好的稳定性,与其他预测策略相比可以进一步降低系统的功耗。     

基于分片线性化方法的非线性系统多模型自适应控制

基于分片线性化方法辨识一类非线性系统 ,给出了非线性系统的多线性模型表示。基于线性模型建立多个控制器 ,基于最大最小指标切换函数构成多模型自适应控制器。给出了非线性系统多模型自适应控制算法的优化模型集建立方法 ,解决了多模型自适应控制模型多、计算量大的问题。仿真结果证明了算法的有效性     

多模型分层递阶自适应前馈解耦控制器

针对参数跳变系统,提出一种基于分层递阶结构的多模型自适应前馈解耦控制器.该控制器采用多模型方法来提高系统的暂态性能;采用自适应方法消除系统的稳态误差,采用分层递阶结构减少系统模型集的数量和计算时间.为了在分布式计算机集散控制系统(DCS)中得到应用,该控制器根据耦合的形成机理和DCS的结构特点,将系统变量之间的耦合作用视为可测干扰,采用前馈结构予以消除.通过加权多项式的选取,不仅实现了极点配置,而且可以动态解耦.最后给出了全局收敛性分析.仿真结果表明,与常规多模型控制方法相比,大大减少了固定模型的数量;而当模型数目相同时,系统的暂态响应、解耦效果都大为改善.     

基于经验感知的自适应用户界面模型

针对传统自适应界面缺乏自主学习用户交互历史、难以根据用户经验有效预测用户意图的现状,基于认知心理学相关理论,该文提出了基于经验感知的自适应用户界面模型,从界面静态组成元素、动态交互行为和自适应策略三个方面建立了该模型的统一描述,然后研究了自适应界面模型的实现架构、关键技术和建模方法.最后开发了一个个性化的虚拟家居定制原型系统,并进行了实验评估.实验结果表明,该模型能够根据用户交互历史和上下文环境,准确预测用户意图,实时调整界面布局和交互行为以主动地适应用户.     

基于多Hammerstein模型及APSO的预测控制策略

研究了基于多Hammerstein模型的非线性预测控制问题,提出了基于多模型融合的非线性预测控制方法,根据实际对象不同的工作点建立了非线性系统的多Hammerstein模型表示,以此模型集合作为实际对象的预测模型,兼顾预测控制处理各类约束的优点,以计算量较小的自适应粒子群算法(APSO)作为预测控制的滚动优化方法计算最优控制序列,避免了传统粒子群算法易早熟和算法后期粒子易在全局最优解附近"振荡"的缺点,并给出相应的模型切换策略,pH中和反应的仿真结果说明了此方法的有效性,同时也为菲线性预测控制提供了一种新方法.     

基于分片线性化方法的非系统性系统多模型自适应控制

基于分片线性化方法辨识一类非线性系统，给出了非线性系统的多线性模型表示。基于线性模型建立多个控制器，基于最大最小指标切换函数构成多模型自适应控制器。给出了非线性系统多模型自适应控制算法的优化模型集建立方法，解决了多模型自适应控制模型多、计算最大的问题。仿真结果证明了算法的有效性。     

基于波动方程的动态交通流网络模型研究

研究优化交通流量问题。从交通流量中获取实时旅行时间是现代智能交通系统模型的关键技术,针对传统模型构建复杂、计算时间长、难以提供实时旅行时间的缺点,构建出一种动态交通流网络分析模型,以计算实时性的旅行时间优化交通流量。在模型中首先使用LWR车流模型构建成起始值-边界条件连续方程式,采用高阶Runge-Kutta法计算路段上的流量、密度和运行速度,进而得到车辆运行某段距离所需要的旅行时间;再将这些旅行时间加总,则可求得全路段或路网的旅行时间。最后使用上面提出的的动态交通流网络模型对一小型的高速公路单车道交通流网络进行了仿真。仿真结果表明,上述模型可以加快动态交通流网络中旅行时间的求解速度,以达到提供实时信息的目标。     

基于ACS优化BP神经网络的交通流量短时预测方法

交通流量预测是智能交通系统中非常重要的研究领域,因为交通流量的复杂性,传统的预测方法不能很好地预测。提出一种基于[t]分布自适应变异优化的布谷鸟算法,通过动态变异控制尺度和设置多个自由度来构造自适应变异算法,可以获得优于高斯变异和柯西变异的整体优化效果。在此基础上,提出改进布谷鸟搜索算法优化神经网络的交通流量预测模型（ACS-BPNN）,通过优化BP神经网络的初始权值和阈值参数,以提高短时交通流量预测精度。仿真结果表明,该方法取得比较好的预测结果。     

考虑时空相似性的动态图卷积神经网络交通流预测

高精度的交通流预测对于大型城市的交通管理和智慧出行具有重要作用,而交通流动态时空相关性的挖掘则是提高预测精度的关键.针对现有研究中存在的对交通流在不同时间尺度下呈现出的高度相似性,以及处于相似功能区的非邻近节点间交通流变化的相似性考虑不足的问题,构建考虑时空相似性的动态图卷积神经网络(dynamic graph convolution neural network considering spatio-temporal similarity,STS-DGCN).以相邻时段、日和周等多时间尺度下的数据输入张量表达交通流数据的时间相似性,以路网节点间距离度量、相似性度量、自适应嵌入、动态相关性等多属性特征的邻接矩阵表达交通流数据的时空相似性,进而基于这些邻接矩阵构建反映路网节点时空动态变化的动态图,并设计相应的时空特征挖掘算法.在公开数据集上的实验结果表明,所提出模型的预测结果优于目前较为先进的对比基线模型,具有更高的预测精度.     

Short-term freeway traffic parameter prediction: Application of grey system theory models

Intelligent transportation systems applications require accurate and robust prediction of traffic parameters such as speed, travel time, and flow. However, traffic exhibits sudden shifts due to various factors such as weather, accidents, driving characteristics, and demand surges, which adversely affect the performance of the prediction models. This paper studies possible applications and accuracy levels of three Grey System theory models for short-term traffic speed and travel time predictions: first order single variable Grey model (GM(1,1)), GM(1,1) with Fourier error corrections (EFGM), and the Grey Verhulst model with Fourier error corrections (EFGVM). Grey models are tested on datasets from California and Virginia. They are compared to nonlinear time series models. Grey models are found to be simple, adaptive, able to deal better with abrupt parameter changes, and not requiring many data points for prediction updates. Based on the sample data used, Grey models consistently demonstrate lower prediction errors over all the time series improving the accuracy on average about 50% in Root Mean Squared Errors and Mean Absolute Percent Errors.     

Decremental algorithm for adaptive routing incorporating traveler information

Routing in a stochastic and dynamic (time-dependent) network is a crucial transportation problem. A new variant of adaptive routing, which assumes perfect online information of continuous real-time link travel time, is proposed. Driver's speed profile is taken into consideration to realistically estimate travel times, which also involves the stochasticity of links in a dynamic network. An adaptive approach is suggested to tackle the continuous dynamic shortest path problem. A decremental algorithm is consequently developed to reduce optimization time. The impact of the proposed adaptive routing and the performance of the decremental approach are evaluated in static and dynamic networks under different traffic conditions. The proposed approach can be incorporated into vehicle navigation systems.     

面向交通流量预测的多头注意力时空卷积图网络模型

为了充分获取交通流量数据中隐藏的复杂动态时空相关性,提高交通流量预测精度,提出一种多头注意力时空卷积图网络模型MASCGN。首先,采用多头注意力机制为路网中的交通传感器节点自动分配注意力权重,实现对不同邻居节点的权值自适应匹配,充分获取空间相关性;其次,采用带有门控和注意力机制的时空卷积网络充分提取时间序列相关性,并使用残差块结构实现时空卷积层之间的连接,使得模型更具有泛化能力;最后,分别提取周相关、日相关、邻近时间的序列数据,输入三个并行的时空组件以挖掘周、日、邻近三个时间窗口间的时间周期相关性,并通过全连接层获取最终的交通流量预测结果。利用高速公路交通数据集PEMSO4、PEMSO8进行了15 min、30 min、45 min和60 min的交通流量预测实验。实验结果表明MASCGN模型与现有基线模型相比,在未来短期和长期的交通流量预测任务上都具有更优的建模能力。     

交通流序列的Volterra自适应预测

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,构建交通流的Volterra自适应预测模型.在应用小数据量法判定交通流存在混沌特性的前提下,分别用平均互信息法和虚假邻点法选取延滞时间和嵌入维数以实现对交通流时间序列的相空间重构.通过Volterra级数展开式建立非线性预测模型,采用LMS自适应算法实时调...     

基于改进在线极限学习机的短时交通流预测模型研究

交通流信息预测是智能交通系统进行交通疏导管理的重要基础,为城市交通管理规划提供可靠的数据支持和科学的决策依据。由于交通流量数据是实时更新的增量流数据,每次更新历史数据集时都需要重新构建预测模型,消耗了大量计算资源和运行时间,为此提出一种基于改进在线顺序极限学习机的交通流预测模型（IOS-ELM）,通过构建新增数据的增强特征映射关系,生成交通流动态更新特征表示空间,实现短时交通流预测模型的动态更新。利用长沙市远大一路交通流数据评估该模型,实验结果表明,IOS-ELM模型在NRMSE和MAPE的预测性能上均超过其他基准预测模型（MLP、ELM、OS-ELM和SVR）,同时模型的预测耗时较小,可以保证一定实时性,满足城市道路交通流的实时准确预测的需求。     

基于手机定位的动态行程时间探测

动态交通信息的发布与预测是ITS的关键所在。然而由于在各种外部因素下,道路交通状态呈现出随机变化的特性使得动态交通信息的发布与预测成为一大难点。行程时间和车速的发布与预测是实时动态交通发布与预测的重要指标,也是交通流诱导系统理论研究项目的一个重要环节。所以,这就使动态行程时间的探测这一课题显得尤为重要。结合某城市的实际情况,文中探讨并实践了一种全新的基于手机定位的动态行程时间探测方法,并对其技术路线、关键问题以及难点问题进行一一论述。该方法的最大优势:城市范围内除需要安装几块探测卡以外,几乎无需任何其他投入,从而省去了利用其他技术所需要的巨额安装与维护费用,这一点对像我国这样的发展中国家具有重大的意义。另外,该技术还有安装快、报告的信息遍及整个路网,而不是仅限于预定地点的特点。     

智能交通信息物理融合云控制系统

针对现代智能交通信息物理融合路网建设中的对象种类复杂、采集数据量大、传输及计算需求高以及实时调度控制能力弱等问题，基于云控制系统理论，以现代智能交通控制网络为研究对象，设计了智能交通信息物理融合云控制系统方案，包括智能交通边缘控制技术和智能交通网络虚拟化技术.基于智能交通流大数据，在云控制管理中心服务器上利用深度学习和超限学习机等智能学习方法对采集的交通流数据进行训练预测计算，能够预测城市道路的短时交通流和拥堵状况.进一步在云端利用智能优化调度算法得到实时的交通流调控策略，用于解决拥堵路段交通流分配难题，提高智能交通控制系统动态运行性能.仿真结果表明了本文方法的有效性.