基于时空特征融合的Encoder-Decoder多步4D短期航迹预测

航迹预测在确保空中交通安全、高效运行中扮演着至关重要的角色。所预测的航迹信息是航迹优化、冲突告警等决策工具的输入,而预测准确性取决于模型对航迹序列特征的提取能力。航迹序列数据是具有丰富时空特征的多维时间序列,其中每个变量都呈现出长短期的时间变化模式,并且这些变量之间还存在着相互依赖的空间信息。为了充分提取这种时空特征,本文提出了基于融合时空特征的编码器-解码器（Spatio-Temporal EncoderDecoder, STED）航迹预测模型。在Encoder中使用门控循环单元（Gated Recurrent Unit, GRU）、卷积神经网络（Convolutional Neural Network, CNN）和注意力机制（Attention, AT）构成的双通道网络来分别提取航迹时空特征,Decoder对时空特征进行拼接融合,并利用GRU对融合特征进行学习和递归输出,实现对未来多步航迹信息的预测。利用真实的航迹数据对算法性能进行验证,实验结果表明,所提STED网络模型能够在未来10 min预测范围内进行高精度的短期航迹预测,相比于LSTM、CNN-LSTM和AT-LSTM等数据...     

基于LSTM循环神经网络算法的风电预测技术

风力发电的随机性和不可控性,给发电控制环节造成控制负担,利用不同高度的风速、风向等气候因素对风力发电数据进行准确预测,有利于制定合理的调度计划.本文使用LSTM循环神经网络算法,实现了单变量预测未来一个时间点、多变量预测未来一个时间点的风电预测实例验证,实验结果发现算法在两种情况下均保持着高的预测精度.且由于单变量和多...     

基于DBSCAN-GRU算法的终端区4D航迹预测

终端区空域环境复杂、航班密集,精确的航迹预测能极大地提高空中交通服务水平,保障航班飞行安全。针对终端区的高精度多航班4D航迹预测问题,本文提出了一种基于密度的带噪声空间聚类算法（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）和门控循环单元（Gated Recurrent Unit, GRU）相结合的航迹预测方法,通过DBSCAN聚类,将终端区中航迹相近的航班聚类到一簇中,对每一簇航班建立基于GRU神经网络的航迹预测模型,对终端区航班进行预测时,先判断该航班属于哪一簇,然后采用与该簇对应的航迹预测模型,进行4D航迹预测。与仅研究单一航班的传统预测方法相比,本算法有效地利用了终端区的航迹数据,所建模型可以针对多架航班进行航迹预测,扩大了模型的适用范围,提高了航迹预测的预测精度。     

基于多尺度卷积和改进LSTM的航迹数据关联方法

针对雷达数据智能航迹关联准确率较低的问题,文章提出了一种融合多尺度卷积神经网络和改进长短期记忆网络的航迹关联方法。首先,利用多尺度卷积神经网络提取多个维度的空间特征,避免固定尺寸的卷积核产生视野限制,使网络能够提取更高维度的特征。然后,将特征送入改进的长短期记忆网络捕获时间维度上的特征,改进后的单元结构充分考虑相邻时刻航迹数据的关联性,有效抑制了噪声和误差产生的影响。最后,仿真实验结果表明,该方法有效提高了航迹关联准确率。     

基于CEEMD-PSO-MNN的船舶航迹预测

船舶航迹预测对保障海上交通安全具有重要意义,为进一步提高船舶航迹预测精度,提出了一种从认知神经科学和神经生理学继承的模块化设计方法用于开发神经网络,旨在通过大脑强大的功能(分而治之)来解决复杂问题。首先,利用互补集合经验模式分解算法(CEEMD)将船舶航迹时间序列分解为多个相对平稳的子序列,使其具有不同的本征模态函数及趋势项,这在一定程度上降低了航迹时间序列的复杂程度;然后,通过模糊熵(FE)量化各子序列的复杂性用于辅助模块化神经网络(MNN)任务分配;最后,将粒子群(PSO)改进的长短期记忆神经网络(LSTM)作为模块化神经网络的子网络用于解决船舶航迹时间序列预测任务。选取相关数据进行测试,验证了所提方法对船舶航迹预测的准确性和实用性。     

基于DL的LSTM网络配电台区短期负荷预测模型研究

传统基于神经网络的配电台区短期负荷预测研究对象往往是整个系统,缺少针对单个台区的建模预测研究,而且预测准确率不高.提出将基于深度学习(Deep Learning,DL)的长短期记忆神经网络(Long Short-Term Memory,LSTM)引入单配电台区的短期负荷预测中,根据配电台区的负荷特征,考虑工作日、月份和...     

基于LSTM的命名数据网络流量预测方法

网络流量预测是提高网络服务质量,提高拥塞控制效率的关键环节。命名数据网络作为新兴网络架构,其内容源与位置无关的特性使得TCP/IP网络中的拥塞控制方法不再适用,而且目前基于神经网络的流量预测方法只是研究预测模型性能的优化,使用的训练数据只考虑了单一的接口流量这一简单的维度,未考虑不同类型的数据包和出接口队列长度等参数对未来流量变化的影响,导致流量预测不够精准。文章提出一种应用于命名数据网络的基于长短期记忆网络的流量预测方法,将单一的流量特征值扩展到与链路流量相关的多维变量,实现了命名数据网络节点接收流量的预测,可用于命名数据网络流量的精准控制,避免网络拥塞。实验验证表明,与仅使用链路流量作为特征值的传统预测方法相比,预测精度有较大幅度的提高。     

基于深度LSTM与遗传算法融合的短期交通流预测模型

短期交通流预测是交通优化控制和智能服务的基础。由于交通流日内波动性明显,使用单层长短期记忆网络(LSTM)存在泛化能力不足的问题,堆叠多层LSTM易导致模型难以快速收敛。通过对LSTM神经网络架构的优化设计,提出一种深度LSTM与遗传算法融合的交通流预测模型GA-mLSTM。首先,采用遗传算法(Genetic Algorithm, GA)对LSTM层数、Dense层数、隐藏层神经元个数和Dense层神经元个数进行优化,确定GA-mLSTM模型的网络结构设计和最优参数;然后,基于GA-mLSTM模型的预测结果,使用差分运算对预测误差进行修正;最后,利用公开数据集对交通流预测性能进行评估并验证,实验结果表明：GA-mLSTM模型采用3层LSTM神经网络结构,融入遗传算法和差分计算后,能有效捕获路网交通流的波动特性,可以实现更准确的交通流预测。     

基于LSTM-ARIMA模型的短期航班飞行轨迹预测

高效精确的航班飞行轨迹预测是未来空中交通管理系统的关键技术之一,其旨在提高空中交通的运行能力和可预测性。针对现有的航迹预测方法预测精度和稳定性不足的问题,在已有的历史航迹数据的基础上,构建了新的特征维度,分析了经度、纬度和高度三维数据的统计特性,将长短期记忆网络（Long Short-Term Memory,LSTM）对非线性和非平稳时间序列有较强的逼近能力,而差分自回归移动平均模型（Autoregressive Integrated Moving Average,ARIMA）对线性时间序列的处理能力更优的特点相结合,提出了一种以LSTM为主ARIMA为辅的组合短期航迹预测模型,先利用LSTM作为主预测模型对经纬度和高度进行预测,再利用辅模型ARIMA对高度的线性关系进行建模,最后采用CRITIC方法将LSTM和ARIMA预测的高度值融合处理。实验结果表明,这种组合模型利用了两种模型的优势,提高了航迹预测的准确性。      

超密集异构无线网络中基于移动轨迹预测的网络切换算法

随着５G技术的广泛应用,网络超密集化部署已成为必然趋势。超密集异构无线网络在实现网络高流量密度、高峰值速率性能的同时,给传统的网络切换算法带来了挑战,处于变速移动的终端会面临更频繁的切换问题,这将导致乒乓效应频率的显著提高,进而影响用户在网体验。针对上述问题,该文提出一种基于终端移动轨迹预测的网络切换算法,适用于各类型用户在高密度无线网络中的垂直切换和水平切换问题。首先,为了更高精度的移动轨迹预测,提出一种基于模糊核聚类和长短期记忆(LSTM)神经网络的预测方法,可以有效预测不同移动模式下用户终端的短时移动轨迹;之后,基于用户当前和预测位置,获取候选网络集合,通过候选集交运算法和指标阈值判断网络切换时机;当切换触发时,使用帝企鹅算法最优化网络选择。仿真结果表明,相比于其他类型的时间序列预测算法,该文提出的轨迹预测算法精度较高;同时相较对比算法,该文所提网络切换算法的切换次数适中,有效避免了乒乓效应,且提高了用户连接的网络质量。     

基于LSTM神经网络的频谱感知算法

在频谱感知中经典的能量检测算法在低信噪比时检测性能较低且门限难以估计,基于机器学习的感知算法受限于检验统计量的构造会造成接收信号原有结构信息的丢失。针对这些问题,本文提出一种基于LSTM神经网络的频谱感知方法,首先利用接收信号序列作为神经网络的输入特征向量,然后使用LSTM神经网络进行训练得到分类器,最后使用训练好的模型实现频谱感知。该方法无需估计检测门限值,也无需构造特征向量,仿真结果表明,所提算法在采样点和次级用户更少的情况下仍优于对比算法。      

基于卡尔曼滤波的动态轨迹预测算法

基于拟合的传统轨迹预测算法已无法满足高精度和实时性预测要求.提出基于卡尔曼滤波的动态轨迹预测算法,对移动对象动态行为进行状态估计,利用前一时刻的估计值和当前时刻的观测值更新对状态变量的估计,进而对下一时刻的轨迹位置预测.大量真实移动对象数据集上的实验结果表明：GeoLife数据集上基于卡尔曼滤波的轨迹预测算法的平均预测误差（预测轨迹点与实际轨迹点的均方根误差）为12.5米;与基于轨迹拟合的轨迹预测算法相比,T-Drive数据集预测误差平均下降了555.4米,预测准确率提升了7.1%.在保证预测时效性前提下,基于卡尔曼滤波的动态轨迹预测算法解决了轨迹预测精度较低的问题.     

Hypersonic Vehicle Trajectory Prediction Algorithm Based on Hough Transform

Trajectory prediction is a prerequisite for missile and high-speed vehicle guidance interception.To address the trajectory problem for the near space hyper-soni...     

基于混合编码和长短时记忆网络的机场延误预测方法

为充分利用机场延误状态信息的时间相关性,提高机场延误预测精度,提出一种基于混合编码和长短时记忆网络（Long Sort Term Memory, LSTM）的机场延误预测方法。该方法首先将机场信息、航班信息和气象信息进行数据预处理,得到机场延误数据;然后,利用LSTM网络对机场延误数据进行特征提取;最后,构建Softmax分类器对机场延误分类预测。实验结果表明,本文基于机场延误数据在数据预处理阶段提出的混合编码方法,可使预测准确率提高约5%。同时,利用LSTM网络来提取数据的时间相关特征信息,网络模型的预测准确率最终可达94.01%。并且由不同机场数据对网络的普适性分析结果表明,该算法更适合于原始数据量大的中大型枢纽机场。      

基于组合模型的短时交通流量预测算法

交通流量预测是实现智能交通技术的核心问题,及时准确地预测道路交通流量是实现动态交通管理的前提,短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(Extreme Learning Machine, ELM)组合模型的交通流量预测算法(Traffic Flow Prediction Based on Combined Model, TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分割,然后采用ELM对各个序列进行建模和预测。仿真实验证明,与单一的BP(Back Propagation)神经网络和ELM相比,该组合模型算法建模时间为BP的1/10, ELM建模时间的4倍,均方误差为BP的1/50, ELM的1/20,该组合模型算法决定系数R2更接近于1,模型可信度更高。     

基于多项式卡尔曼滤波的船舶轨迹预测算法

考虑到在船舶航行的实际过程中,船舶自动识别系统（AIS）设备提供的船舶运动点迹往往呈现出信息缺失、非线性、多机动的问题,导致利用AIS设备辅助海上指挥系统难以准确判断船舶位置。针对以上问题,本文在传统卡尔曼滤波理论的基础上构建多项式卡尔曼滤波器拟合非线性系统,补偿航迹定位数据信息缺失、更新较慢等问题,并基于经纬度信息预测船舶运动轨迹。结果表明,该方法实现简单且收敛迅速,能够有效解决实际过程中船舶轨迹的预测问题,满足基本的实效性与准确性,能够为相关海事部门预测船舶目的、行为提供较为可靠的辅助手段。      

基于LSTM网络的矿山压力时空混合预测

矿山压力失衡引起的顶板事故是矿山重大事故之一,超前感知综采工作面矿山压力的变化对保证煤层安全高效具有重要意义。为了提高矿压预测准确性,文中提出了一种基于LSTM网络的时空混合预测模型。该模型采用两个独立的LSTM网络分别提取采空区侧和支架移架侧的压力特征,然后将得到的数据通过全连接层融合,从而实现对矿压的共同预测。文中以MSE和MAE来评估基于LSTM的时空混合模型的预测效果,实验结果表明MSE和MAE分别下降了24.49%和35.24%,说明基于LSTM的时空混合预测模型优于传统LSTM预测模型,且时空混合模型预测方法较传统模型具有更高的可靠性和准确性,能够实现工作面推进过程中对矿压变化的有效预测。