义乌市道路交通事故灰色预测模型构建与应用研究

交通事故预测模型是进行交通安全控制的关键问题之一.基于灰色理论构造弱化算子对2004年-2008年义乌市道路交通事故统计数据进行弱化处理,并对数据序列进行二次排列,构建义乌市道路交通事故发生次数、死亡人数、受伤人数、经济损失的灰色预测模型,运用该模型预测得到义乌2009-2011年道路交通事故数据.预测模型具有使用简便、预测精度高的优点,对义乌交通事故的预测有一定的实际参考价值.     

一种基于深度学习的数据预测方法

随着深度学习的发展,基于深度学习的数据预测将发挥至关重要的作用。准确的数据预测结果不仅对系统的调度运行和生产有很大影响,而且有助于提高系统的稳定性和安全性。但在进行多变量时序预测时,传统时间序列方法所预测出的结果误差较大,训练时间也较长。针对以上缺陷,本文使用一种基于深度学习神经网络的多变量时序数据预测方法,该方法基于长短期记忆(LSTM)神经网络,并使用该方法对某地电力负荷值进行预测。通过实验证明本文所提出的方法预测结果较为精准。     

我国道路交通事故近期发展趋势分析与预测

在讨论发达国家交通事故发展变化规律及我国道路交通安全现状的基础上,对我国近期交通安全形势进行了分析,并采用灰色系统理论对我国近5年内交通事故总量进行了预测,从交通安全形势分析结果看,目前我国道路交通安全形势仍十分严峻,交通事故数量逐年增长的局面还将持续10年左右,从灰色预测结果来看,近几年我国交通事故总数将会有所下降而且趋势比较明显。     

以图像处理为基础的船舶航行轨迹分析

海上交通事故的发生也十分频繁。海上交通监管部门为了能够使海上交通得到一定的改善,就必须要将海上交通事故的发生频率进行控制减少,在海上贸易发展的过程中,应当将大量的精力投入于海域内的船舶导航以及船舶的航行轨迹分析等方面的技术研究工作中。本文以船舶航行轨迹分析为主要的研究对象,在图像处理的基础之上进行分析预测,从而使海上交通事故的发生率能够得到降低。     

基于深度神经网络的砂岩储层孔隙度预测方法

为了提高储层参数的预测精度,使用深度神经网络(deep neural networks,DNN)对储层的孔隙度进行预测;在深度神经网络中应用Adam自适应学习率优化器,并与卷积神经网络(convolutional neural network,CNN)和BP神经网络(BP neural network,BPNN)进行预测精度对比;网络训练中引入"丢弃"(dropout)正则化技术随机丢弃每层神经元来减少过拟合现象;采用Relu函数避免深度神经网络在迭代时陷入局部最小值,加速参数更新,增加收敛的鲁棒性。以测井数据为驱动,同时以网络模型的超参数调节对孔隙度预测精度的影响进行实验模拟。实际资料处理表明,随着网络深度增加及参数调试,DNN预测数值与原始数值高度吻合,采用深度神经网络的储层孔隙度预测方法可以应用于利用测井资料开展储层预测的实际生产。     

基于生成对抗网络的深度Q学习空调冷负荷预测算法

针对传统预测算法在商场空调冷负荷预测中存在数据样本不足和预测精度低的问题,提出了一种基于生成对抗网络的深度Q学习的算法预测商场的空调冷负荷。利用生成对抗性网络生成与历史冷负荷数据相似的冷负荷数据,通过生成对抗网络解决真实负荷数据样本不足的问题。然后,利用深度Q学习网络预测未来时刻空调冷负荷数据。为了验证算法的有效性,以西安某商业建筑的空调冷负荷数据为例进行实例分析,实验结果表明,与单一深度Q学习网络预测算法相比,所提算法提高了负荷预测的精度,减小了误差,具有较高的可靠性,满足实际工程需求。     

随岳高速智能视频分析系统建设探究

随岳高速公路交通量与日俱增,交通拥堵、异常交通事故不断发生,导致整条路线甚至区域交通瘫痪,仅依靠当前有限的人工被动监控很难第一时间发现事件,亟待采取先进的人工智能视频分析手段实现对高速公路交通运行状态的监测通过视频图像识别、深度学习技术,搭建了随岳高速智能视频分析系统,对高速公路视频流进行了24小时实时检测,支持对交通拥堵、故障停车、行人穿越、车辆逆行、抛洒物、机动车驶离、隧道烟雾、火灾、交通事故等异常事件的检测,并自动触发声光报警提示,真正做到高速公路视频主动监视、控制、在线预警。本文将从系统概况、系统架构、系统功能、部署模式4方面重点剖析系统,并探讨智能视频分析技术在随岳高速的初步应用成果。     

程潮铁矿深部开采岩爆预测

 程潮铁矿经过近40 a的开采,已初步进入深度开采阶段。为预测岩爆发生可能性及其烈度,对程潮铁矿深度－430～－700 m的部位多种岩样进行岩石力学试验,提出岩爆倾向性的多种判据。通过理论预测法分别对各种岩样的倾向性及烈度进行预测,得到程潮铁矿围岩的岩爆倾向性顺序,总结出可能强度较高的几种岩石类型及其所在深度;最后结合模糊数学综合预测法,针对已有多种指标进行岩爆倾向的综合评价,得到矿区总体岩爆倾向性及岩爆临界深度,为矿区开采设计和岩爆监测预报提供了依据     

基于深度学习的建筑能耗预测方法研究

为了获得更好的建筑能耗预测精度,基于极限GAP深度学习方法,利用变体GRU结合Attention注意力机制,提出一种建筑能耗预测方法.分析表明,该方法预测性能相比其他方法,预测精度高,鲁棒性高,有助于管理者和相关工作人员对建筑设施进行更有效的节能操作.     

基于深度学习LSTM模型的短期空调负荷预测

通过预测空调负荷,提前改变空调运行状态可以有效提高空调系统的运行效率、改善室内热环境.本文提出基于深度学习LSTM模型短期空调负荷预测方法,对某建筑空调冷负荷进行预测,结果证明相对于传统预测模型,LSTM模型的误差更低,预测效果更好.