共查询到20条相似文献,搜索用时 15 毫秒
1.
为了获得城市轨道交通客流量的变化趋势和更好地掌握客流量的波动范围,本文提出了一种基于模糊信息粒化和混沌粒子群算法(CPSO)优化最小二乘支持向量机(LS-SVM)的客流量波动范围组合预测模型.针对客流量的非线性和波动性,采用模糊信息粒化,将客流量数据根据需要按窗口提取有效信息,利用CPSO较强的全局搜索能力对LS-SVM预测模型的参数进行最优选取.最后运用组合模型预测2014年广州市地铁3号线体育西路站早高峰客流量波动范围,并与其他模型进行对比分析.仿真结果表明,本文组合预测模型能有效地跟踪客流量变化趋势,为预测未来一段时间内的短期客流量波动范围趋势提供了一种行之有效的方法. 相似文献
2.
3.
以合肥地铁2018年实际线网客流数据为测试样本,通过时间序列模型来预测客流量,用前半段的数据为训练样本,预测后半段的客流数据,并将预测结果与实际数据做对比来验证准确性. 相似文献
4.
5.
针对现有短期负荷预测方法适应性不足、预测精度不高,WNN原始连接权值和阈值采取随机赋值并采用梯度学习算法进行修正,存在进化缓慢、易出现陷入局部极小或不收敛等问题,提出了基于高斯FIG和改进WNN的短期负荷区间预测新方法。用收敛速度更快的函数取代常用的输出层神经元函数,并用粒子群算法寻优取代WNN连接权值和阈值随机赋值。把网络连接权值和阈值作为粒子群算法微粒的位置向量,不断调整微粒的速度和位置向量以寻求最优值。选择了合适的数据跨度作为一个粒化窗口,对原始负荷数据进行了高斯模糊粒化处理,得到了对应的高斯FIG后的序列值,并用改进后的WNN对模糊序列值进行了区间预测。与WNN及SVM方法的对比研究结果表明,该方法不仅能够获得比单一负荷值更多的区间信息,而且预测精度更高,能够更好地指导电力系统相关决策。 相似文献
6.
针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。 相似文献
7.
《测试科学与仪器》2020,(1)
列车开行方案通常包括列车停站方案、交路计划及编组方案,是地铁组织运输的基础。结合交通运输组织的实践经验以及输送能力与客流需求达到最佳匹配的原则,以乘客出行成本及企业运营成本最低为目标,综合考虑线路最大通过能力、最小发车频率和最大可用车底数量等限制条件,构建了城市地铁Y型交路模式下的列车开行方案优化模型,并确定了Y型交路模式列车开行方案的主线及支线的列车运行区段及各线的列车开行频率。采用基于分类学习的粒子群算法对其进行求解,并通过算例验证模型和算法的有效性,对折返站和各交路区段的列车开行频率进行各成本的灵敏度分析。结果表明,Y型交路其支线的长度对乘客候车等待时间成本影响显著。 相似文献
8.
《测试科学与仪器》2020,(3)
为消除传统灰色马尔科夫预测模型的灰色偏差及抗干扰性能,考虑货运量预测的随机性和非线性特征,提出了基于小波变换和模糊灰色马尔科夫(FG-Markov)的货运量预测模型。基于小波包对非平稳随机信号的数据分析能力,运用小波包分解策略,对货运量历史数据进行小波包分解。在此基础上,引入模糊灰色变量,提出了模糊灰色马尔科夫链(FG-Markov)来获取小波包系数转移概率矩阵,并通过重构小波包系数进行货运量预测。为验证预测模型的有效性和精确度,将其应用于兰州铁路枢纽集装箱货运量预测,并与神经网络等预测模型进行了比较分析。实例分析表明,基于小波和FG-Markov的预测模型可以提高预测精度。 相似文献
9.
近年来,城市轨道交通建设规模不断提升,随之而来的是大量客流涌入城市轨道交通系统。城市轨道交通短时客流预测对保证地铁正常运营,优化地铁线网结构,构建智慧轨道交通出行有着积极作用。城市轨道交通短时客流多数情况为可预知常规客流,具有时间周期性,又根据地铁站所处区域具有独特的客流特点。因此,考虑客流的时间周期性以及不同地铁站的区域独特性,基于K-means聚类算法、LSTM(长短时记忆神经网络)以及误差模型(ecm),提出短时客流预测的K-LSTM-ecm深度学习模型,并进行试验寻找最优参数。最后以北京地铁回龙观站进站数据为例验证模型效果,并对比LSTM、K-LSTM模型。结果表明K-LSTM-ecm模型在效果上优于LSTM、K-LSTM模型。 相似文献
10.
高速列车的测速定位精度直接影响着列控系统的控制精度和行车效率,为了提高列车自主控车能力,本文以GPS辅助速度传感器、雷达进行组合测速定位,以提高测速定位精度并减少对地面设备的依赖。针对卡尔曼滤波在统计特征变化时滤波精度下降的问题,运用模糊综合评判方法对子滤波器进行评价,根据滤波置信度动态调整信息分配系数,提高该系统的融合精度和容错性;当子滤波器处于次优状态则进行协方差成形自适应滤波,依据最小化代价函数获得误差协方差的调节因子,来提高实测残差方差和系统递推残差的匹配度,增强滤波精度。仿真结果表明,本文提出的改进滤波算法能够有效跟踪系统变化情况、明显增强滤波精度及提高测速定位精度。 相似文献
11.
《测试科学与仪器》2020,(2)
交通流预测作为信号协调和出行时间预测等任务的基础,成为了交通领域的研究点。对于交通流预测问题,研究人员提出了多种方法,但这些方法大多只使用交通流数据的时域信息进行交通流预测,忽略了空间相关性对于预测目标路段流的影响,导致预测精度不理想。基于组合模型的思想提出了一种称为LSTM-RF的交通流预测模型。在交通流预测过程中,首先使用LSTM模型提取预测目标路段的时序特征,再将其预测值与采集的相邻上下游路段信息同时作为随机森林模型的输入特征,进行交通流时空相关性分析,获得最终的预测结果。并通过贵阳市车牌识别系统采集的城区132条路段的交通流数据进行实验验证。结果表明:该方法在预测精度上优于单一模型,并且预测误差相比单一模型有明显减少。 相似文献
12.
《测试科学与仪器》2020,(1)
针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。 相似文献
13.
为了提高滚动轴承性能退化指标的预测精度,得到性能退化指标的一个预测范围,本文提出信息熵与优化最小二乘支持向量机(LS-SVM)的轴承性能退化趋势模糊粒化预测。首先利用信息熵理论提取轴承信号的性能退化指标序列,再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化;然后将粒化后的数据输入给LS-SVM进行回归预测,并采用粒子群算法(PSO)优化LS-SVM的惩罚参数和核函数参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,对于每个时间段内的轴承性能退化指标,该方法均能获得准确的预测结果,具备较强的实用性和工程应用价值。 相似文献
14.
《测试科学与仪器》2021,(2)
针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。 相似文献
15.
16.
17.
《测试科学与仪器》2021,(3)
道岔是铁路上重要的信号基础设备之一,其故障将直接影响行车安全和效率。本文从分析道岔的功率曲线入手,首先提取其时域及哈尔(Haar)小波变换特征并进行特征选择,然后通过聚类算法和皮尔逊(Pearson)相关系数建立退化状态与故障状态之间的关联,最后利用卷积神经网络(Convolutional neural network, CNN)和门控循环单元(Gated recurrent unit, GRU)建立道岔的状态预测模型,实现道岔的故障预测。CNN可以直接提取原始功率数据的特征同时降低维数,简化了预测过程。GRU独特的门结构和处理时间序列的特点在预测精度和时间上相比传统的预测方法具有一定优势。实验结果表明,当特征矩阵采用40维输入,迭代50次时,道岔状态预测准确率达94.2%。 相似文献
18.
《测试科学与仪器》2021,(3)
时间序列是一种广泛应用于电量预测、汇率预测、太阳能发电量预测等各种领域的数据,预测其变化具有重要的意义。与LSTM相结合的编码器-解码器被广泛应用于多元时间序列预测。由于编码器只能将信息编码成固定长度的向量,因此模型的性能随着输入序列或输出序列长度的增加而迅速下降。为此,提出了基于编解码结构与线性回归的组合模型(AR_CLSTM),该模型使用基于时间步的注意力机制使解码器能够自适应选择过去的隐藏状态并提取有用的信息,并利用卷积的结构学习多元时间序列不同维度之间的内在联系,同时结合了传统的线性自回归方法来学习时间序列的线性关系,从而实现在编解码结构上进一步降低时间序列预测的误差,改善多元时间序列的预测效果。实验结果表明,AR_CLSTM模型在不同的时间序列预测上表现良好,其均方根误差、均方误差、平均绝对误差均下降显著。 相似文献
19.