基于SVR的电梯交通流时间序列预测

为了使电梯群控系统更好地跟踪电梯交通流的变化以提高群控系统的性能,提出了基于支持向量回归(Support Vector Regression,SVR)的电梯交通流预测方法.针对电梯交通流时间序列小样本的特性,考虑了电梯交通流的横向和纵向变化趋势,采用SVR算法建立了电梯交通流时间序列的预测模型.给出了预测的评价指标,研...     

基于CEEMDAN分解的短时交通流组合预测

短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解（CEEMDAN）的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。     

一种电梯交通流多模式预测方法的研究

在分析电梯交通流的基础上提出一种多模式预测方法．该方法首先利用人工免疫聚类算法(AICA)对电梯交通流进行离线的模式识别和分类，然后在此基础上利用高斯混合模型（GMM）对具有多种模式的电梯交通流进行数学建模．通过EM算法优化估计高斯混合模型的参数，得到了确定的高斯混合模型，从而实现对电梯交通流的在线预测．与其它预测方法的仿真结果进行了比较，体现出该方法的有效性和优越性．     

两种时间序列模型在客流量预测上的比较

模糊时间序列模型和季节模型都是基于时间序列的模型,为了探讨在时间序列表现出一定的周期性时,哪种模型的预测效果会更好,分别利用模糊时间序列模型和季节模型对南京某商场的客流量进行预测,计算并比较两种方法下的相对误差值和RMSE（Root Mean Square Error）值,发现季节模型的相对误差值图形的平滑度要优于模糊时间序列模型,季节模型的RMSE值小于模糊时间序列模型,这表明考虑到数据特征的模型有更好的预测结果。     

一种基于机器学习的电力能耗异常检测与预测的方法

在预处理电力能耗数据时，现有的电力数据异常检测与预测方法没有补全由删除或修正数据导致的缺失项，致使时间序列中出现明显的错漏。为了提高电力能耗异常检测与预测的准确性，基于机器学习设计一种电力能耗异常检测与预测方法。在数据的预处理过程中，通过清洗、转换与提取电力能耗数据，补全时间序列中的缺失值，保证被删除与修正的数据不会影响到整体的数据处理，在此基础上设计基于机器学习的电力能耗异常检测算法以及电力能耗预测算法。选择春、夏、秋、冬4个季节的电力数据，比较机器学习方法与其他3种方法在电力能耗异常数据检测与预测的结果。由实验结果可知，所提方法的ROC值在不同的时间中均大于其他算法，且其预测结果的RMSE与MAE误差指标均小于其他算法，可见所提方法的预测结果准确性高于其他算法。     

融合结构化信息与时序演化信息的多变量间歇性时间序列预测

复杂装备制造企业的售后配件需求不定时发生、需求波动大,导致需求数据呈现典型的间歇性、小样本特点.当面对间歇性程度高、突发需求较大的序列时,现有预测模型难以准确捕获其需求波动规律,无法有效预测配件需求走势.为提高多组配件的预测精度和稳定性,同时考虑序列间结构化信息和序列自身时序演化信息,提出一种新的多变量间歇性时间序列预测方法.首先,提出一种基于张量的轻型梯度提升机模型,通过张量分解,重构原始需求数据,修正序列中的异常需求值,并利用轻型梯度提升机对多组序列进行联合预测;然后,构建一种新的线性衰减修正模型,将修正因子引入线性衰减指数平滑方法,对每条序列分别预测需求量和间隔区间;最后,将2个预测模型进行加权融合,得到最终预测结果.分别在2个复杂装备制造企业的售后配件需求数据集上进行实验验证,实验结果表明,与多个时间序列预测算法相比,所提出方法能够有效预测需求波动趋势,提升预测精度和数值稳定性.     

基于灰色马尔可夫Verhulst模型的因特网访问人数预测分析

为了科学准确地预测近几年因特网访问人数,提出了应用灰色马尔可夫Verhulst模型进行预测的方法。首先,利用历史数据建立灰色Verhulst模型,通过确定系数可获得因特网访问人数的时间响应序列的表达式,从而可获得未来年份因特网访问人数的发展序列值。然后,结合马尔可夫链过程将序列状态划分为三类,通过确定状态转移矩阵可获得序列处于各状态的概率值及与各状态对应的预测中值,最终求得各序列的修正值。最后,通过2006/12~2012/6期间我国互联网上网人数的历史数据,预测了最近四个统计时段的访问人数。实例表明,该模型预测结果的误差更小、精度更高,还能提供预测结果的波动范围及出现概率,能够为网络建设及管理提供决策依据。     

基于时延特性的短时动态交通流预测模型研究

针对传统预测模型存在的预测误差较大等问题,基于时延特性设计了新的短时动态交通流预测模型.采用延迟坐标状态相空间重构法重构交通流时间序列,并结合C-C算法,利用序列的关联积分组成描述非线性时间序列相关性的统计量,确定嵌入维数与时延.根据重构后的时延特性,利用相似性度量方法初步预测的目标断面流量,并建立递归神经网络模型.在递归神经网络模型的链式结构中引入长短时记忆单元,增强预测网络的记忆能力,实现短时动态交通流预测.实验结果表明,上述模型能够有效实现短时动态交通流预测,预测结果与实际之间的误差小,且预测F-measure值高、鲁棒性好,证明其具备较好的交通流量预测效果.     

基于组合模型的短时交通流预测方法

准确、实时的交通流预测对交通规划、交通管理和交通控制具有重要意义.然而,由于道路网络拓扑结构约束和交通流随时间动态变化的空时相关特性,交通流预测仍然具有挑战性.为了同时捕获交通流的空间和时间相关性,提出一种将图卷积网络(GCN)和门控循环单元(GRU)相结合的组合模型方法.利用GCU能够灵活处理图结构数据的优点来捕捉各个路段的空间特征,继而发挥GRU在处理时间序列方面的优势挖掘交通流的内在时间规律,空时融合后得到最终预测结果.利用美国交通研究数据实验室的高速公路交通数据对该模型进行仿真验证,结果表明,所提出的GCN-GRU组合模型方法具有更高的预测精度,预测结果优于自回归积分滑动平均(ARIMA)模型和GRU模型等基准预测方法.     

基于MC的风电场参数预测模型的误差修正

风速的随机性和间歇性等特点使得目前风电场参数预测模型存在较大的预测误差,对此提出了采用马尔科夫链(MC)方法对模型的预测误差进行修正。分别求出参数的实际值与模型预测值之间的误差序列,利用模糊C-均值聚类算法对其进行状态划分;根据各误差状态计算出MC状态转移概率矩阵,进而计算模型预测误差修正值,最终得到精度较高的预测值。采用MC方法分别对广义回归神经网络(GRNN)模型、T-S模糊神经网络模型以及Elman神经网络模型的预测误差进行修正,并应用MC修正后的3种模型对山西某风电场测风塔不同步长风速进行预测仿真实验研究,分析讨论了MC对各预测模型误差的修正效果。仿真结果表明,所提出的误差修正方法能够有效提高测风塔风速预测精度,为预测模型的误差修正提供了一种有效的实用的方法。     

Traffic flow forecasting by seasonal SVR with chaotic simulated annealing algorithm

Accurate forecasting of inter-urban traffic flow has been one of the most important issues globally in the research on road traffic congestion. However, the information of inter-urban traffic presents a challenging situation; the traffic flow forecasting involves a rather complex nonlinear data pattern, particularly during daily peak periods, traffic flow data reveals cyclic (seasonal) trend. In the recent years, the support vector regression model (SVR) has been widely used to solve nonlinear regression and time series problems. However, the applications of SVR models to deal with cyclic (seasonal) trend time series have not been widely explored. This investigation presents a traffic flow forecasting model that combines the seasonal support vector regression model with chaotic simulated annealing algorithm (SSVRCSA), to forecast inter-urban traffic flow. Additionally, a numerical example of traffic flow values from northern Taiwan is employed to elucidate the forecasting performance of the proposed SSVRCSA model. The forecasting results indicate that the proposed model yields more accurate forecasting results than the seasonal autoregressive integrated moving average (SARIMA), back-propagation neural network (BPNN) and seasonal Holt-Winters (SHW) models. Therefore, the SSVRCSA model is a promising alternative for forecasting traffic flow.     

基于灰色RBF神经网络模型的电梯层间交通分布预测

为了有效预测电梯的层间交通分布状态,提出一种层间交通O-D矩阵的预测方法．该方法融合灰色预测和神经网络方法各自的优点,将灰色预测方法与RBF神经网络有机结合,构造灰色神经网络预测模型．利用灰色预测中的累加生成运算（accumulatedgeneratingoperation,AGO）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本．还提出了对不良交通需求数据的修正方法,以进一步降低观测数据的随机性．所提方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,适用于短期层间交通分布预测．仿真试验验证了该方法的有效性．     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的。为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型。针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较。实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的。     

电梯群控系统的一种鲁棒离散优化调度策略

针对电梯群控调度过程中交通不确定的问题,提出一种电梯群控调度的鲁棒离散优化方法.将交通流作为不确定参数,考虑当前时刻和下一时刻交通流状况,将下一时刻交通流预测的不准确性作为不确定因素,建立电梯群控调度的鲁棒离散优化模型.针对该模型的特点,进一步提出了解决方法.仿真结果表明,该方法在电梯群控调度性能和交通模式的适应性方面得到较大改善.     

Burned area forecasting using past burned area records and Southern Oscillation Index for tropical Africa (1981-1999)

An 18-year time series of monthly NOAA-AVHRR Pathfinder Land burned area was analyzed for the region of tropical Africa, from July 1981 to June 1999. The transition period between NOAA-11 and NOAA-14 platforms from July 1993 to June 1995 was not included due to missing and outlier data. Stability of the time series was addressed for the input variables in the burned area algorithm, reflectance and temperature channels.A Seasonal AutoRegressive Integrated Moving-Average (SARIMA) model was developed for forecasting potential burned area. The SARIMA model identified an autoregressive regular term with 1-month lag and an autoregressive 12-month seasonal term with one season (12 months) component. A cross-correlation between Southern Oscillation Index (SOI) and burned area was statistically significant predictor variable in a time series with 20-month lag. Results show that the SARIMA model with this predictor improved both, fitting and forecasting, residual variance, by 4.1% and 5.6%, respectively, thereby, demonstrating potential relationship between SOI and burned area for the study region. Forecasting was estimated by considering only the first 16 years of the monthly burned area in the time series, from July 1981 to June 1997. The prediction for the following 24 months (from July 1997 to June 1999) was within the 95% confidence level indicating that the forecast was a valid characterization of the modeled process.     

基于多值分类SVM的电梯交通模式识别

针对电梯群控系统中的交通模式识别问题,提出一种基于多值分类支持向量机(SVM)的电梯交通模式识别方法。采用直接多值分类SVM对采集的电梯交通流数据进行分析,得到交通模式分类器,从而解决电梯交通流模式识别中多输入、多输出的非线性系统辨识问题。实验结果表明,该方法可实现全局最优且分类误差较小,能满足群控系统的要求。     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

Long-term traffic flow prediction using multivariate SSA forecasting in SDN based networks

Accurate and real-time traffic flow forecasting plays an important role in optimizing traffic routing enabling adaptive and sophisticated applications on the network. Managing and routing enormous traffic flow with dynamic behavior is a highly challenging task. However, arriving at a precise model for traffic forecasting in a short interval of time is not trivial because of the dynamic nature of traffic flow. A novel multivariate time series framework is designed to analyze and forecast the dynamic traffic flow in SDN based networks. The proposed framework adapts the Multivariate Singular Spectrum Analysis (MSSA) forecasting model and incorporates the Randomized Singular Value Decomposition (RSVD) to improve the accuracy of flow prediction. Simulations are conducted to evaluate the effectiveness of the proposed MSSA method. The proposed method predicts the long-term traffic fluctuation from the observed traffic traces. The SDN controller is trained using the traffic traces and future traffic flows are forecasted. The performance evaluation of the proposed method predicts real-time traffic trends accurately with 2.2% MAPE, 9.44 MAE and 13.803 RMSE. The results show that the learning ability of MSSA helps to forecast future network traffic with low prediction errors.