离散不确定系统的鲁棒预测控制

对预测控制中模型不确定性的处理一直是预测控制算法亟待解决的问题.考虑一类包含模型不确定性的控制对象模型,提出一种极大极小预测控制器设计方法.在滚动优化的每一步,考虑了状态变量不完全可测的情况,引入动态输出反馈的思想得到一个最坏条件下的性能指标的最优解,以最坏条件下的性能指标为求解优化问题的上界,通过线性矩阵不等式的方法求解凸优化问题.并从理论上证明了所设计的鲁棒预测控制器对不确定模型是稳定的.通过仿真算例的分析,证明了极大极小鲁棒预测控制器设计的有效性.     

面向不确定数据流的近似ER-Topk查询处理

随着移动互联网的快速发展以及信息技术的普遍应用,在许多应用中都产生了海量、不确定性数据,包括金融、军事、位置服务、医疗以及气象等。然而,传统的确定性数据管理方法很难管理不确定数据,亟需开发新型数据管理方法。可能世界模型被广泛用于为不确定数据建模,通过该模型可以衍生出诸多确定性的可能世界实例。不确定性数据流是指高速到达的海量不确定元组序列,因而不确定数据流管理比不确定性静态数据管理更具挑战性。面向于不确定数据流的ER-Topk查询是一个典型问题,但是处理复杂度高。提出一种近似算法来处理该查询,具有较小的空间复杂度;同时,还通过搜索策略优化来进一步提升查询处理效率。实验结果验证了所提方法的有效性和高效性。     

隐含概念漂移的不确定数据流集成分类算法

近年来,数据流分类问题已经逐渐成为数据挖掘领域的一个研究热点,然而传统的数据流分类算法大多只能处理数据项已知并且为精确值的数据流,无法有效地应用于现实应用中普遍存在的不确定数据流。为建立适应数据不确定性的分类模型,提高不确定数据流分类准确率,提出一种针对不确定数据流的集成分类算法,该算法将不确定数据用区间及其概率分布函数表示,用C4.5决策树分类方法和朴素贝叶斯分类方法训练基分类器,在合理处理数据流中不确定性的同时,还能有效解决数据流中隐含的概念漂移问题。实验结果表明,所提算法在处理不确定数据流的分类时具有较好的鲁棒性,并且具有较高的分类准确率。     

不确定度模型下数据流自适应网格密度聚类算法

随着计算机技术及感知技术的发展及应用,各个领域普遍出现不确定性数据流形态的新型数据,吸引了众多研究者的关注.现有的数据流聚类技术普遍忽略不确定性特征,常导致聚类结果的不合理甚至不可用.为数不多的针对不确定性特征的聚类方法片面考察不确定性,且大多基于K-Means算法,具有先天缺陷.针对这一问题展开研究,提出了不确定度模型下数据流自适应网格密度聚类算法(adaptive density-based clustering algorithm over uncertain data stream,ADC-UStream).对于不确定性特征,该算法在存在级和属性级不确定性统一策略下,构建熵不确定度模型进行不确定性度量,综合考察不确定性.采用网格-密度的聚类算法,基于衰减窗口模型设计时态和空间的自适应密度阈值,以适应不确定性数据流的时态性和非均匀分布特征.实验结果表明,不确定模型下的数据流网格密度自适应聚类算法ADC-UStream在聚类结果质量和聚类效率方面都具有较好的性能.     

基于高斯模型的不确定数据流Skyline查询方法

由于数据的动态性及不确定性等特征,使得不确定数据流上Skyline查询研究面临挑战.不确定对象一般采用多元概率密度函数(PDF)表示,现有的不确定数据流Skyline查询方法均采用离散型随机变量建模.然而不确定数据流中的对象可能是连续变化的,离散模型对连续性随机变量难以适用.针对连续PDF建模的不确定数据流Skyline查询进行了研究,提出了基于高斯模型的不确定数据流Skyline查询方法(SGMU),该方法包含2个过程:1)动态高斯建模算法(DGM):对滑动窗口采样并建立高斯模型,将原始的数据流转化为不确定对象PDF的参数流;2)提出了基于高斯树的查询算法(GTS)以建立空间索引结构和执行Skyline查询.实验结果表明,SGMU算法不仅能够对连续型不确定对象进行有效建模以辅助Skyline查询,而且能够有效地减少查询对象个数,提高Skyline查询效率.     

不确定数据流上的概率反轮廓查询处理

反轮廓查询在制定有效的市场决策方面具有重要的作用,随着数据流特征和不确定性的表现日益明显,不确定数据流上概率反轮廓查询已经成为一个新的研究课题.为了高效解决不确定数据流上概率反轮廓查询问题,首先,通过对实际应用需求进行分析,提出了不确定数据流上概率反轮廓查询的定义,并根据相关概念,提出了不确定数据流上概率反轮廓查询的索...     

基于非参数密度估计的不确定轨迹预测方法

随着大量移动设备的出现，准确和高效的轨迹预测有助于提高面向位置的应用和服务的质量和水平.针对现有方法对轨迹不确定性缺乏有效建模的问题，提出了基于非参数密度估计的不确定轨迹终点预测方法.在轨迹建模及模型训练阶段，利用非参数估计对起点与终点相同的轨迹构建基于密度分布的不确定轨迹模型；在轨迹预测阶段，将待预测轨迹视为轨迹数据流，并通过KS（Kolmogorov-Smirnov）检验方法与具有相同起点的不确定轨迹模型进行匹配，其中匹配程度最高的不确定轨迹即为预测轨迹.通过真实轨迹数据集上的实验表明，与现有各类主要轨迹预测方法相比，本方法在不同条件下的预测效率与准确性都有较明显优势.     

考虑多场景新能源预测的月度机组组合研究

为提高月度机组组合对不确定新能源的适应性,提出了一种考虑多场景新能源预测的月度机组组合方法,以提升电网新能源消纳能力。首先介绍了新能源多场景预测的基本概念,并提出了多场景新能源的表示模型。在此基础上,以预期运行成本及新能源损失电量最小化为目标,考虑电力电量平衡、网络安全、电厂合同电量等运行约束,构建了考虑多场景新能源预测的月度机组组合模型。该模型本质上为混合整数非线性规划问题,可以利用CPLES等规划程序包求解。以IEEE-30节点系统构造的算例表明,该方法能够充分考虑不确定新能源对电网运行的影响,提高月度机组组合方式对不确定性新能源消纳的鲁棒性。通过调整运行成本和新能源损失电量之间的比例系数,可以优化机组组合方式,协调系统运行经济性和节能性,提升电网运行整体效益。     

考虑源-荷不确定性的矿山综合能源系统多时间尺度区间优化调度

在高能耗矿山综合能源系统中,为减小乏风、瓦斯、矿井涌水等伴生能源、可再生能源、负荷不确定预测误差对系统的影响,提出考虑源-荷预测不确定性的矿山综合能源系统多时间尺度区间优化调度策略.首先,构建含可再生能源、矿山伴生能源、光热电站的矿山综合能源系统架构;其次,根据电-热响应特性和源-荷不确定性在时间上的差异,建立日前-日内-实时多时间尺度区间优化调度模型.在日前和日内优化阶段,利用区间数描述源-荷不确定性,并通过区间优化方法对伴生能源和可再生能源的实际消纳区间进行优化;日内优化在日前优化的基础上,综合考虑建筑用户热舒适度的模糊性、供热系统的热惯性及热水负荷需求响应调整各设备出力;在实时优化阶段,考虑电负荷需求响应对日内电力设备出力进行修正.最后,通过算例分析验证所提模型和方法的可行性.     

基于粗糙模糊集的不确定数据流聚类算法??

为解决高维和高不确定级别的数据流聚类问题,提出了一种针对不确定数据流的聚类算法HFMicro。引入粗糙模糊集理论,定义了一种新的不确定数据流模型,并利用隶属程度的上、下近似来描述微簇。根据粗糙模糊集间的相似程度来选择最合适的微簇。使用动态衰减窗口模型提高算法的效率和聚类效果。由于采用了离线聚类模式,使得算法具有较好的实时性。实验结果表明,该算法能够很好地处理高维和高不确定级别的数据流,同时兼容存在级不确定性和属性级不确定性,与现有算法相比效果更好。     

数据流上的预测聚集查询处理算法

实时数据流未来趋势的预测具有重要的实际应用意义.例如,在环境监测传感器网络中,通过对感知数据流进行预测聚集查询,观察者可以预测网络覆盖的区域在未来一段时间内的平均温度和湿度,以确定是否会发生异常事件.目前的研究工作多数集中在数据流上当前数据的查询,数据流上预测查询的研究工作还很少.采用多元线性回归方法,给出了数据流上的聚集值预测模型,提出了一种数据流预测聚集查询处理方法.当预测失败的次数大于预先给定的阈值时,给出了一种预测模型自动调整策略,以降低预测误差.还提出了滑动窗口的更新周期、数据流的流速对预测精度影响的数学模型.理论分析与实验结果表明,提出的预测聚集查询处理算法具有较高的性能,并且能够返回满足用户精度要求的预测查询结果.在实验中,采用TPC-H国际标准测试数据和TAO(tropical atmosphere ocean)测量的海洋表面空气温度数据来构造数据流.     

基于概率模型的数据流预测查询算法

挖掘在线数据流的变化趋势并预测未来时间窗口上的可能值,可以为许多时间敏感的应用提供重要决策支持.通过将数量可能无限的流数据元素映射到离散的且数量有限的流数据状态空间,不断变化的流数据变化趋势可以模拟成连续的流数据状态变化的过程,进而在很小的时间与空间代价下,数据流状态变迁的趋势动态存储在状态变迁图中.通过分析状态变迁图中的流数据变迁的统计规律,数据流上未来时刻的可能值可以应用马尔可夫模型在线连续预测.     

基于云模型的动态交通数据流软划分算法

提出了一种交通数据流软划分算法,该算法利用STREAM算法对交通数据流进行了聚类分析,得到了能够反映交通状况不同特征的聚类结果,然后对聚类结果进行了数据挖掘和交通数据流趋势预测。最后在数据流值预测结果的基础上,采用基于云模型划分的算法对交通的预测流值进行分析,得到了更加灵活的控制策略。     

一种新的基于AR* -GRNN的QoS降载管理框架

在过载环境下不是很高的降载比率很可能要丢失要分析的全部信息,故有效地获取流数据的信息是流数据挖掘的关键问题.本文建立基于AR* -GRNN的QoS降载管理框架,提高过载环境下流数据的相似性查询效率.利用离散傅立叶变换(Discrete Fourier Transform,DFT)来获取数据的特征值,运用混合预测模型(时间序列类模型(AR*)-Generalized RegressionNeural Network,AR* -GRNN)和历史的特征值来预测降载部分数据的特征值,建立自适应的降载计划,从而完成降载发生情况下的相似性查询分析.     

基于模块化回声状态神经网络光伏发电量预测

针对光伏发电的不确定性、间歇性给电力系统并网运行带来的安全问题,提出了一种基于模块化回声状态网络模型对发电量进行预测.首先利用模块化神经网络按季节建立预测子模型,再将子模型按相同日类型进行数据划分后,与平均气温一同作为样本,利用回声状态网络对子模型进行训练和发电量预测,最后集成输出结果.结果表明:此预测模型在日类型相同时预测误差较小,而在日类型不同时预测误差较大,但与ESN和BP预测模型相比均具有更高的预测精度和更快的预测速度.     

Intelligent system to support judgmental business forecasting: thecase of estimating hotel room demand

Forecasting is an instrumental tool for strategic decision-making in any business activity. Good forecasts can reduce the uncertainty about the future and, hence, help managers make better decisions. Virtually all statistical forecasting techniques depend on the continuity of historical data and time series and may not predict a discontinuous change in the business environment. Often times, this discontinuity is known to managers who then must rely on their judgment to make forecast adjustments. We discuss the role of judgmental forecasting and take the problem of estimating future hotel room demand as a practical business application. Next, we propose IS-JFK: an intelligent system to support judgmental forecasting and knowledge of managers. To account for vagueness in the knowledge elicited from managers and the approximate nature of their reasoning, the system is built around fuzzy IF-THEN rules and uses fuzzy logic for decision inference. IS-JFK supports two methods for forecast adjustments: 1) a direct approach and 2) an approach based on fuzzy intervention analysis. Actual data from a hotel property are used in some case-scenario simulations to illustrate the merits of the intelligent support system     

A computational method of forecasting based on fuzzy time series

In this paper, a computational method of forecasting based on fuzzy time series have been developed to provide improved forecasting results to cope up the situation containing higher uncertainty due to large fluctuations in consecutive year's values in the time series data and having no visualization of trend or periodicity. The proposed model is of order three and uses a time variant difference parameter on current state to forecast the next state. The developed model has been tested on the historical student enrollments, University of Alabama to have comparison with the existing methods and has been implemented for forecasting of a crop production system of lahi crop, containing higher uncertainty. The suitability of the developed model has been examined in comparison with the other models to show its superiority.