基于随机森林回归分析的PM2.5浓度预测模型

针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(random forest regression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型—RFRP模型.同时,收集了西安市2013-2016年的历史气象数据,进行模型的有效性实验分析.实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为0.281 s,约为BP-NN(back propagation neural network,BP神经网络)预测模型的5.88％.     

基于灰色预测模型的电视频道热度预测

针对电视频道热度的预测可以为业务决策提供重要依据,电视频道热度受到多种复杂因素的影响,包括电视频道的播放内容及收视群体等因素.基于某地卫视频道一周的频道热度数据,利用灰色预测模型进行频道热度的短期预测,对预测值与实际采集值进行对比,结果证明在原始数据量少及样本种类单一的情况下,灰度预测模型能较好的对电视频道热度进行中短期预测.     

基于PSO-Elman模型的网络流量预测

针对网络流量的混沌性特点以及传统神经网络处理网络流量预测问题易陷入局部极小导致预测精度不高的问题,提出在相空间重构基础上,采用粒子群算法(PSO)优化Elman神经网络初始参数的网络流量预测模型。首先对网络流量时间序列进行相空间重构,将重构后的流量序列作为模型的输入;再利用PSO算法全局搜索能力对Elman神经网络初始参数进行优化;最后利用训练好的Elman神经网络对网络流量进行预测。仿真结果表明,相比其他流量预测方法,基于PSOElman模型的网络流量预测提高了预测准确率。     

Network traffic prediction based on INGARCH model

In this paper, we introduce the integer-valued generalized autoregressive conditional heteroscedasticity (INGARCH) as a network traffic prediction model. As the INGARCH is known as a non-linear analytical model that could capture the characteristics of network traffic such as Poisson packet arrival and long-range dependence property, INGARCH seems to be an adequate model for network traffic prediction. Based on the investigation for the traffic arrival process in various network topologies including IoT and VANET, we could confirm that assuming the Poisson process as packet arrival works for some networks and environments of networks. The prediction model is generated by estimating parameters of the INGARCH process and predicting the Poisson parameters of future-steps ahead process using the conditional maximum likelihood estimation method and prediction procedure, respectively. Its performance is compared with those of three different models; autoregressive integrated moving average, GARCH, and long short-term memory recurrent neural network. Anonymized passive traffic traces provided by the Center for Applied Internet Data Analysis are used in the experiment. Numerical results show that the proposed model predicts better than the three models in terms of measurements used in prediction models. Based on the study, we can conclude the followings: INGARCH can capture the characteristics of network traffic better than other statistic models, it is more tractable than neural networks (NNs) overcoming the black-box nature of NNs, and the performances of some statistical models are comparable or even superior to those of NNs, especially when the data is insufficient to apply deep NNs.

     

基于FARIMA-GARCH模型的网络业务预测算法

网络流量的波动性与自相似特性为其精确预测提出了挑战。为此,提出了一种基于FARIMA-GARCH模型的预测算法。该算法首先利用分段双向CUSUM检测算法对流量序列的均值进行有效检测,并在此基础上将序列零均值化;然后采用限定搜索法对分数差分阶数进行精确估计;在获得模型参数后,使用FARIMA-GARCH模型对网络流量进行预测。仿真实验表明,限定搜索法能够获得比传统算法更高的估计精度。随后采用真实网络流量验证了预测算法的性能,在保持与FARIMA预测算法等价的时间复杂度下,其均方根和相对均方根误差与RBF神经网络预测算法相当,而高于FARIMA预测算法。同时,预测算法对突发流量的跟踪和预测性能明显优于对比算法,且有更好的区间估计性能。     

基于LSSVM的六价铬含量预测模型

设计一种六价铬自动测量系统,为提高测量的准确度,使用最小二乘支持向量机(LSSVM)算法建立预测模型,并使用混合蛙跳算法优化LSSVM算法的参数,可避免算法收敛于局部最优,增强算法的泛化能力,减少算法对异常样本的预测偏差,提高精度。通过对神经网络模型及LSSVM模型进行仿真对比,结果显示LSSVM模型的六价铬含量预测误差更小。     

基于改进CART算法的降雨量预测模型

降雨量预测对于水资源的管理非常重要,可以帮助决策者提前做出应对举措,降低灾情发生时带来的经济损失和人员伤亡。同时,降雨量预测对人们的日常生活、出行等也有着非常重要参考意义。通过分类回归树算法构建两个预测降雨量的模型,然后通过粒子群算法对模型中的参数进行优化。此外,为解决原算法不具备处理数据流问题的能力,根据dsCART算法的思想,对原算法生成决策树的过程做出了调整,使其具有增量学习的能力,提高其在气象信息系统中的实用性。最终通过实验验证了该改进方法的可行性、有效性。     

基于自回归模型与神经网络模型的车流量预测对比

车流量建模是车联网(vehicular Ad Hoc network,VANET)路由、多媒体接入协议、无线算法设计的基础.准确的车流量模型将对智能交通系统(intelligent transportation system,ITS)实时调度和车联网的信息安全起到十分重要的作用.基于上海市的交通流量数据,利用自回归(auto regressive,AR)模型与神经(back-propagation,BP)网络模型对车流量实测数据进行了仿真对比,给出了相应的预测结果.研究发现,两个模型均能有效地对数据进行跟踪与预测,但对不同时段数据预测的准确性有所不同.研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据.     

基于改进灰色模型的激光切割粗糙度预测

为了提高激光切割粗糙度预测的精度,提出改进灰色模型。首先基本灰色模型增设线性回归,减少了测试数据的随机波动性;接着通过动态等维灰数递补模型添加新的数据,及时补充和使用原始的信息,每预测一步对参数作一次修正;最后给出了激光切割粗糙度预测流程。试验显示改进灰色模型对激光切割粗糙度预测具有较高的精度,RMSE平均值为0.218,比KF、NN、BPNN、PSO、GM算法减少了32.09%、30.13%、26.10%、21.58%、6.48%,ζ平均值为0.975,比KF、NN、BPNN、PSO、GM算法增加了12.33%、9.43%、7.03%、4.28%、3.07%,评价指标较优。     

基于剔除孤立点的物流成本预测模型

孤立点对物流成本预测结果具有干扰作用,而当前模型均没有考虑孤立点的负面影响,预测结果可信度低。为了改善物流成本的预测效果,提出基于剔除孤立点的物流成本预测模型。首先对当前物流成本预测研究现状进行分析,并根据密度方法找到物流成本原始数据中的孤立点,删除这些孤立点,然后对物流成本数据进行聚类,找到物流中隐藏的变化特点,采用最小二乘支持向量机建立物流成本预测模型,最后通过物流成本预测实验对性能进行测试。测试结果表明,该模型消除了孤立点的干扰,提高了物流成本的预测精度,物流成本预测的建模效率得到改善,具有很好的实际应用价值。     

Link quality prediction model based on Gaussian process regression

Link quality is an important factor of reliable communication and the foundation of upper protocol design for wireless sensor network.Based on this,a link quality prediction model based on Gaussian process regression was proposed.It employed grey correlation algorithm to analyze correlation between link quality parameters and packet receive rate.The mean of the link quality indication and the mean of the signal-to-noise were selected as input parameters so as to reduce the computational complexity.The above parameters and packet receive rate were taken to build Gaussian process regression model with combination of covariance function,so that link quality could be predicted.In the stable and unstable scenarios,the experimental results show that the proposed model has better prediction accuracy than the one of dynamic Bayesian network prediction model.     

基于LFOA-GRNN模型的矿用锂电池SOC预测

针对矿用电动汽车锂电池SOC预测易受到工况环境影响、建模复杂、预测误差大等问题,该文将电池端电压、放电电流、环境温度、湿度作为SOC的表征因子,构成样本集以训练广义回归神经网络(GRNN),再引入具有Levy飞行特征的双子群果蝇优化算法(LFOA)优化GRNN的平滑因子σ。LFOA结合了Levy飞行搜索和果蝇优化算法的优点,全局搜索能力更强,收敛速度更快。仿真结果表明,经LFOA优化的GRNN能更快地搜索到合适的σ,并有效预测电池任一充放电状态下的SOC,与FOA-GRNN模型比较,LFOA-GRNN模型预测精度更高、时间更短,最大绝对误差不超过0.03,具有较好的工程应用价值。     

Driving behavior recognition and prediction based on Bayesian model

Since the existing intelligent driving systems are lack of efficiency and accuracy when processing huge number of driving data,a brand new approach of processing driving data was developed to identify and predicate human driving behavior based on Bayesian model.The approach was proposed to take two steps to deduce the specific driving behavior from driving data correspondingly without any supervision,the first step being using Bayesian model segmentation algorithm to divide driving data that inertial sensor collected into near-linear segments with the help of Bayesian model segmentation algorithm,and the second step being using extended LDA model to aggregate those linear segments into specific driving behavior (such as braking,turning,acceleration and coasting).Both offline and online experiments are conducted to verify this approach and it turns out that approach has higher efficiency and recognition accuracy when dealing with numerous driving data.     

基于mRMR-BP算法的辛烷值损失预测模型研究

化工过程建模一般通过数据关联或机理建模的方法来实现,但由于炼油工艺过程的复杂性以及设备的多样性,其操作变量之间具有高度非线性和相互强耦联的关系.在传统的数据关联模型中,变量相对较少、机理建模对原料的分析要求较高,对过程优化的响应不及时,效果并不理想.本文为了降低模型求解的复杂性,使用互信息法和mRMR算法,对367个变...     

Microcell prediction model based on support vector machine algorithm

A new microcell prediction model for mobile radio environment is presented in this paper. The popular support vector machine algorithm is used as an optimizing tool to build a model. In order to validate the model quality, extensive electric field strength measurements were carried out in the city of Belgrade, for two different test transmitter locations. The analysis of the model has shown that proposed model is fast, accurate (on the order of the local mean measurements uncertainty), reliable, and suitable for computer implementation.     

基于层级注意力机制的链接预测模型研究

为了解决已有图注意力机制在进行链接预测相关任务时,容易造成注意力分配向某些出现频率高的关系倾斜的问题,提出了一种基于层级注意力机制的链接预测模型.在链接预测任务中,通过设计分层注意力机制,根据预测任务中的关系对知识图谱中与给定实体相连的不同类型的关系给予不同的注意力.在关注多跳邻居实体特征的同时,更关注关系特征以找到符...     

基于BP＿Adaboost模型的乳腺癌诊断预测方法研究

乳腺癌是全球女性发病率位居首位的恶性肿瘤,研究基于神经网络模型的乳腺癌诊断预测方法的目的是将临床与机器学习相结合,有助于医疗工作者更加快速准确地判断出患病与否,同时解决现有模型中存在的过拟合以及漏诊率和误诊率过高的问题,并提高预测模型的准确率。本文采用加州大学欧文分校(UCI)数据集,共669个样本,其中包含357个良性样本和212个恶性肿瘤样本,共计10个特征训练预测模型。将10个神经网络模型采用Adaboost方法相结合,即通过Adaboost算法组合多个弱分类器从而形成一个强分类器,最终输出一个具有更高准确率、有较强的自学习能力、自适应能力且泛化性能优良的集成预测模型。结论表明,该模型的预测准确率达到98.5507%,同时准确率(AUC)为0.9966,说明所建模型区分度较好,可以反映模型的诊断价值,且非常稳定,具有非常好的验证效果,为临床应用提供进一步的技术支持和保障。     

基于统计检验的光电耦合器寿命预测模型研究

基于统计学思想,提出了寿命预测过程的逆向检验方法,通过Shapiro-Wilk检验验证试验数据的分布特性,通过方差齐性分析检验实验过程老化机理一致性,通过显著性检验对回归方程的显著性进行检验。文章将该方法应用于光电耦合器的寿命预测过程,通过提出的逆向检验方法验证后,所得预测结果与生产厂家提供的参考寿命接近。实验结果表明该方法能够有效地检验试验数据和评估模型的适用性,进一步提高光耦寿命预测的准确性,同时该方法对其他器件的寿命预测也具有一定的借鉴价值。     

小波分解和组合模型相融合的网络流量网络预测

为了提高网络流量预测的准确性,提出一种小波分解和组合模型相融合的网络流量预测预测模型。首先采用小波分析对网络流量进行分解,得到网络流量的趋势序列和波动序列,然后分别采用自回归差分滑动平均模型和极限学习机对它们进行建模和预测,最后采用仿真实验测试组合模型的性能。仿真结果表明,相对于其它网络流量预测模型,组合预测模型提高了网络流量预测精度,降低了预测误差更小。     

一种基于WRF模式的雨衰减短期预报方法初探

将气象中应用广泛的数值天气预报模式应用到雨衰减区域短期预报中,基于数值天气预报模式WRF获得未来一段时间降雨强度和雨顶高度的空间分布,结合系统参数如频率、极化角和仰角等,利用电波传播算法获得雨衰减的空间分布.利用实测降雨数据对预报结果进行验证,结果显示:预报雨衰减和实测雨衰减基本符合,特别是二者随时间的变化趋势非常一致.