改进GM(1,1)模型的前车检测与跟踪研究

提出了一种改进灰色预测模型GM(1,1)的前方车辆检测与跟踪方法,利用Hough变换识别两侧车道标识线,缩小前方车辆检测与跟踪区域,完成对前方车辆的检测之后,通过改进GM(1,1)模型的持续更新,搜索其运动规律,并对前方车辆的运动轨迹进行预测,根据预测结果实现对前方车辆的跟踪。实验结果表明,该方法不需要对随机噪声序列和目标运动规律进行假设,克服了随机噪声和分离合并的影响,具有较好的实时性和鲁棒性,适合于范围较小的前方车辆检测与跟踪。     

一种基于灰色预测模型GM(1,1)的运动车辆跟踪方法

针对基于Kalman滤波的跟踪方法需要对噪声特性和车辆的运动规律进行假设的不足，提出一种基于灰色预测模型GM（1，1）的运动车辆跟踪方法．该方法通过不断更新的灰色预测模型GM（1，1），挖掘出车辆的当前运动规律．从而对车辆的运动位置进行快速准确的预测；然后根据预测结果搜索出运动车辆．实现运动车辆的跟踪，试验结果表明，该方法在不需要假设的条件下，能够较快较好地实现车辆跟踪。     

渐消记忆离散GM(1,1)模型及其递推算法

考虑新旧数据对预测效果具有不同影响,对原始数据建立了一种改进的滑动平均预处理方法.在此基础上,通过引入遗忘因子对新旧数据进行不同加权,提出了渐消记忆离散GM(1,1)模型.针对GM(1,1)模型求解计算开销大的问题,给出一种渐消记忆离散GM(1,1)模型的在线实时递推预测算法.将该模型及递推算法用于交通事故预测和区域货物周转量预测,结果表明渐消记忆离散GM(1,1)模型加强了模型的实时跟踪能力,在避免矩阵求逆的同时,提高了预测精度.     

渐消记忆离散GM(1,1)模型及其递推算法

考虑新旧数据对预测效果具有不同影响,对原始数据建立了一种改进的滑动平均预处理方法。在此基础上, 通过引入遗忘因子对新旧数据进行不同加权,提出了渐消记忆离散GM (1,1)模型。针对GM(1,1)模型求解计算开 销大的问题,给出一种渐消记忆离散GM(l,1)模型的在线实时递推预侧算法。将该模型及递推算法用于交通事故预 测和区域货物周转量预测,结果表明渐消记忆离散GM(1,1)模型加强了模型的实时跟踪能力,在避免矩阵求逆的同 时,提高了预测精度。     

基于组合插值的GM(1,1)模型背景值的改进*

针对 GM(1,1) 模型预测误差偏大的问题,对GM(1,1)模型背景值的构造形式进行了研究。为了能够更加有效地降低GM(1,1)模型的预测误差,提出了基于辛普森3/8公式和牛顿插值公式的组合插值方法来构造出新的GM(1,1)模型的背景值。在GM(1,1)模型的建模过程中,由于原始建模数据序列中的第一个数据没有参与建模, 导致原始数据序列的数据资源利用效率降低,影响了GM(1,1)模型预测精度。因此,可以通过把灰色协调系数b加在原始建模数据序列前面的方法,使第一个数据能够参与到GM(1,1)模型的建模过程中。为了检验模型的改进效果,进行了原始建模数据类型分别为纯指数型数据序列、稳定型数据序列和缺失型数据序列的三组实验。对每组测试实验的预测结果进行对比分析,可以发现,基于组合插值方法对GM(1,1)模型的背景值进行改进,可以极大地降低GM(1,1)模型的模拟和预测误差。改进后的模型具有比较好的预测稳定性,增强了GM(1,1)模型的适用性。     

基于向量变换的离散GM(1,1)模型病态性

离散GM(1,1)模型建模时的病态性会导致模型的不稳定.运用向量的数乘和旋转变换研究离散GM(1,1)模型的 病态性问题, 发现离散GM(1,1)模型的病态性产生的原因与累加向量和全1向量的长度比值和夹角有关.运用数乘 和旋转变换将矩阵转化为良态矩阵, 用以解决离散GM(1,1)模型的病态性问题.算例结果表明, 向量变换是解决离散GM(1,1)模型 病态性的一种有效的方法.     

灰色系统模型在时间序列模式中的应用研究

研究了利用GM(1,1)模型发现时间序列模式的方法,用GM(1,1)模型可以从时间序列中寻找变化规律,预测将来的发展趋势.并应用GM(1,1)模型分别对全国未来10年耕地和粮食进行了预测,预测结果和一些知名学者的预测结果非常接近,说明GM(1,1)模型是挖掘时间序列模式的一个有效的方法.     

自适应GM(1,1,λ)模型及其适用范围

为解决传统GM(1,1)模型存在的问题,在运用积分中值定理证明含有自适应因子λ∈(0,1)的背景值构造方法可行性的基础上,将该方法引入传统GM(1,1)模型的定义型,推导出了GM(1,1)定义型预测公式,构造了具有自适应能力的GM(1,1,λ)模型.通过理论证明和数据模拟实验两方面的研究结果表明自适应GM(1,1,λ)模型能够克服现存问题,并将模型的适用范围扩大为发展系数a∈(-1/λ,1/1-λ),大于传统GM(1,1)模型的适用范围a∈(-2,2),且可用于高增长序列建模,比传统GM(1,1)模型具有更高的拟合和预测精度.     

阻尼累加离散GM(1,1)模型及其应用

基于阻尼累加生成算子和离散灰色预测模型的思想,提出一类新的阻尼累加离散GM (1,1)模型,并详细给出模型的推导过程,从理论上分析与经典GM (1,1)模型、离散GM (1,1)模型以及最近提出的阻尼累加GM (1,1)模型的关系,探讨模型的稳定性和数据适用类型分析,并利用量子粒子群优化算法计算出最优阻尼累加参数.最后将所提出模型应用于两个实际案例,结果表明所提出的阻尼累加离散GM (1,1)模型的拟合和预测误差均优于上述基准模型.     

车道模型的高速公路车辆异常行为检测方法

针对高速公路上车辆的逆行、停车、轨迹异常等事件的检测问题,提出了一种基于车道模型知识的自底上向的车辆异常检测方法。首先由车道线的连续性、共线性的感知搜索出车道线和消失点,自动建立车道模型;然后在多车辆检测与跟踪时,通过目标运动位置预测和KLT特征点跟踪的方法建立表示目标区域交叠关系图,依据后验关系通过对图中节点对应目标区域的合并与拆分实现目标与实际车辆的一一对应,建立可靠的跟踪轨迹;最后基于消失点的坐标变换,计算车辆实际位置与速度,采用轨迹滑动窗口方法判断目标运动趋势并计算窗口内轨迹点平均速度,判断车辆的异常行为。实验结果表明,所提方法在不同天气、不同车流量环境中均有80%以上的事件检测率,同时算法简单,具有很好的实时性,能够适应实际高速公路智能检测设备的需求。