基于支持向量机回归的Lyapunov 指数计算方法研究

Lyapunov指数是描述动力学系统混沌性质的重要指标,在小样本条件下准确、快速地计算Lyapunov指数是一个难题.对此,提出一种基于支持向量机回归的Lyapunov指数计算方法,通过量子遗传算法对支持向量机模型的参数进行优化,推导了支持向量机回归应用于计算Lyapunov指数的公式.通过对混沌序列进行仿真实验,仿真结果表明,在小样本数据情况下,此方法可行有效.     

一种平稳化短时交通流预测方法

支持向量机回归模型是以预测噪声具有对称性概率分布为假设条件,而实际的短时交通流数据序列具有非平稳特征,这就使得在采用支持向量机回归模型进行短时交通流预测时,难以保证预测噪声的对称性概率分布,从而会影响到预测精度.针对上述问题,在证明支持向量机回归模型对平稳时间序列的预测噪声具有对称性概率分布的基础上,分别针对平稳化和未平稳化的短时交通流观测序列进行了仿真预测,并对预测结果进行了比对分析.分析结果表明,采用平稳化短时交通流预测方法可将预测的均方根误差降低约21.6％,绝对值误差降低约21.3％,相对误差降低约17.3％,仿真结果验证了所提方法的有效性.     

约简数据集的支持向量分类机算法

支持向量机是当前智能计算研究领域的热点之一。基于支持向量机的大样本学习一直是一个非常具有挑战性的研究课题。对于分类问题给出一种基于相似度的约简数据集的方法。给出的新算法大大地减少了训练样本的数目和所求解的支持向量机算法的规模,有效地加快了支持向量机算法的训练速度。仿真实验表明：新算法较为简单、实用。     

基于小波支持向量机的混沌时序预测算法

研究混沌时间序列预测问题,混沌时间序列是一种特殊时间序列,具有高度非线性、混沌性和时变性,传统预测方法精度低。为了提高混沌时间序列预测的精度,提出一种采用小波支持向量机的混沌时间序列预测算法。首先采用相空重构对混沌时间序列进行重构,捕捉时间序列变化轨迹,然后采用小波支持向量机对非线性、混沌性变化规律进行预测,最后采用Lorenz混沌时间序列进行仿真。结果表明,相对于传统预测方法,小波支持向量机提高了混沌时间序列预测精度,降低预测误差,为混沌时间序列提供了一种有效的准确预测途径。     

粮情智能测控系统中的数据融合技术研究

粮情智能测控系统是保证粮食储藏安全的关键措施之一。针对目前粮情智能测控系统中单一传感器存在测量不足、粮情安全状态难以判断且无法直接检测等问题,研究了一种基于粒子群优化最小二乘支持向量机的粮情安全状态数据融合方法。以粮情数据为研究对象,以粮情安全状态检测为目的,构建基于最小二乘支持向量机的数据融合模型,并采用粒子群优化算法对最小二乘支持向量机的关键参数进行寻优,获取最佳的数据融合结果。根据广西某粮库提供的数据进行实例分析,数据融合结果与实际值误差较小,均方误差为0.06,结果表明,该方法在粮情安全状态的检测上表现出优越的性能,具有科学性和可行性,提高了粮情智能测控系统的准确性和可靠性。     

基于支持向量机的复杂时间序列预测研究

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了复杂时间序列的多尺度分解方法,对支持向量机回归与预测的各项参数设置进行了试验分析。对股票数据进行建模和预测,结果表明支持向量机对复杂时问序列具有较好的预测效果。     

基于均匀设计优化预测模型参数的混沌时间序列预测

为解决混沌时间序列预测中的延迟时间、嵌入维与模型参数等优化问题,提出一种基于均匀设计优化预测模型参数的混沌时间序列预测模型(UD-LSSVM)。首先采用均匀设计产生多个参数组合,并采用最小二乘支持向量机得到每组参数的均方根误差(RMSE);然后最小二乘支持向量机对参数进行全组合寻优建立最优混沌时间预测模型;最后进行混沌时间序列仿真测试。仿真结果表明,相对于对比模型,UD-LSSVM不仅可以快速、准确找到延迟时间、嵌入维与模型参数的最优组合,而且提高了混沌时间序列预测的预测精度。     

基于均匀设计的支持向量机参数优化方法

在实际应用中,支持向量机的性能依赖于参数的选择。针对支持向量机的参数选择问题进行了研究和分析,提出了基于均匀设计的支持向量机参数优化方法。与基于网格搜索、粒子群算法、遗传算法等支持向量机参数优化方法进行了比较与分析,采用多个不同规模的标准的分类数据集进行测试,比较了四种方法的分类正确率和运行时间。仿真实验表明,四种方法都能找到最优参数,使支持向量机的分类正确率接近或超过分类数据集的理论精度,本文方法具有寻参时间短的特点。     

SSVR算法及炉膛燃烧状态时间序列预测

用支持向量回归（SVR）的方法分析和预测时间序列,可解决复杂非线性系统的建模问题。采用光滑化方法对SVR的基本算法进行改进,可降低计算的复杂度。将光滑支持向量回归（SSVR）算法应用于炉膛燃烧状态时间序列预测。对炉内火焰图像进行聚类分析,计算表征炉膛燃烧状态的状态指数,建立状态指数时间序列,并利用光滑支持向量回归算法构建预测模型。实验结果表明,SSVR方法具有更快的收敛速度、更好的拟合精度和良好的预测性能。     

支持向量机应用于大气污染物时间序列预测

阐述了支持向量机应用于大气污染物时间序列预测的具体方法,建立了大气污染物时间序列的支持向量机预测模型.该方法将支持向量杌应用于大气污染物浓度预测:首先通过选择合适的信息量准则来确定模型阶数:而后通过实验的方法选择参数从而形成支持向量机的训练样本集,在此基础上建立了基于支持向量机的时间序列大气污染预测模型.实例表明,无论是在仿真过程还是在预测过程,支持向量机都具有很高的预测精度.因此.采用支持向量机方法对大气污染物时间序列进行预测分析是可行的.     

基于多类别支持向量机的城市交通网络模式分类研究

在网络层次上进行区域交通信号控制、交通分配和路径诱导是缓解交通堵塞的有效途径之一。为进一步提高城市交通网络分类检测的准确性,将支持向量机（Support Vector Machine）应用于交通事件的模式分类研究。通过提出一种基于多类别支持向量机的交通模式分类方法,设计了适合该检测系统的网络结构。仿真结果表明：相对于其他算法,城市交通网络的状态可分为数量有限且不同类型的模式,并且这些模式不断重复出现,当系统识别出网络处于某种模式时,就可参照事先确定的优化参数及策略进行交通控制和诱导,以缓解交通拥塞,提高交通系统的运行效率。该网络结构对于小样本数据具有检测率高、误报率低的优点,完全适用于城市交通的模式分类,同时也存在不足之处,指出了今后进一步研究的方向。     

智能交通信息物理融合云控制系统

针对现代智能交通信息物理融合路网建设中的对象种类复杂、采集数据量大、传输及计算需求高以及实时调度控制能力弱等问题，基于云控制系统理论，以现代智能交通控制网络为研究对象，设计了智能交通信息物理融合云控制系统方案，包括智能交通边缘控制技术和智能交通网络虚拟化技术.基于智能交通流大数据，在云控制管理中心服务器上利用深度学习和超限学习机等智能学习方法对采集的交通流数据进行训练预测计算，能够预测城市道路的短时交通流和拥堵状况.进一步在云端利用智能优化调度算法得到实时的交通流调控策略，用于解决拥堵路段交通流分配难题，提高智能交通控制系统动态运行性能.仿真结果表明了本文方法的有效性.     

基于网络演算的智能交通流量分配研究

精确的交通流量分配计算模型,能为实际的交通工程应用提供具体的流量出入速率或者信号灯控制时间方案,具有重大价值。首次将动态交通流量分配拟化为网络负载均衡问题,使用漏桶理论和网络演算方法,将交通的流量分配与路径时延转换为一系列极值运算,结合贪婪算法,以均衡网络延时为优化目标,得到交通配流。仿真结果表明,本模型在化解拥堵的同时,使分流后的道路平均延时普遍降低,能提升整体路网的通行能力。     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

视频检测技术的交通时间预测实证研究

为了实现利用视频车辆检测器数据计算和预测路段行程时间,将排队长度数据应用到路段行程时间的计算中,采用改进粒子群的BP神经网络算法和时间序列分析对路段进行实证研究.将排队长度加入计算得到的决定系数为93.36%,比只有流量数据的BP神经网络算法改善了41.03%,比BPR（bureau of public roads）路阻函数算法改善了23.37%.利用实时的路段行程时间对后续行程时间预测通过时间序列分析得到相对误差为0.06,预测下个时段和下个周期的路段行程时间平均相对误差分别为0.14、0.15.结果表明排队长度对于路段行程时间的计算具有较高的准确性,可以用于城市道路交通时间的预测,并能有效为智能交通算法的其他指数计算提供思路,为改善交通状况提供决策支持.     

电梯群控系统交通需求的迭代学习预测方法

提出对时变垂直交通需求的智能化迭代学习预测方法.该方法采用最小二乘支持向量机技术,动态预测未来的交通需求及其变化规律.在此基础上,提出以电梯交通需求净增量及其变化率强度为依据的交通模式划分的新规则.通过构造滤波函数的方法获取交通需求变化的主要信息,对交通模式量化识别,得到主要交通模式区间的临界点.仿真实验表明了该方法的有效性.     

Research on Crop Classification Method based on Sentinel-2 Time Series Combined Vegetation Index

Time series is a widely used phenological research method. A new time series vegetation indices which takes full advantage of the red edge information of Sentinel 2 data were used for crop classification to improve the classification accuracy. The NDVI, EVI, and red edge NDVI were combined to construct a time series vegetation index image. Then, four different algorithms (support vector machine, random forest, CART decision tree and maximum likelihood) were used to classify four crops, three forest grasses, bare land, and water bodies. Among the original classification results, the random forest with the highest overall accuracy is 87.92%, and the maximum likelihood with the lowest overall accuracy is 80.07%. In the classification details, the boundaries of random forest and support vector machine are the clearest. Among the four classification results, the classification accuracy of crops is higher than other land types, just smaller than water body. The error mainly comes from the mixture of three forests. It indicates that the time series combined vegetation index is feasible and accurate for crop classification.     

基于哨兵2时间序列组合植被指数的作物分类研究

时间序列是一种常用的物候研究方法。为充分利用哨兵2数据在红边波段的丰富信息,本文利用多种植被指数组合成时间序列进行作物分类。将NDVI、EVI、红边NDVI三种植被指数进行组合,构建时序植被指数图像,然后使用支持向量机、随机森林、CART决策树和最大似然4种不同的算法对四种作物、三种林草、裸露地表、水体进行分类。原始分类结果中,总体精度最高的随机森林为87.92%,最低的最大似然为80.07%,在分类细节上,随机森林和支持向量机的边界最清晰,4种分类结果中,农作物的分类精度均高于其他地类,仅次于水体的精度,误差主要来自三种林草的混分,表明时间序列组合植被指数用于农作物分类是可行的。     

基于Storm的高速公路实时交通指数评估方法的研究与实现

随着高速公路飞速的发展,出现的拥堵增加、监控困难等问题也日益严峻。首先本文在北京市城市交通拥堵指数的基础上,提出了利用交通指数对高速公路运行状况进行评估的方法,然后基于Storm大数据平台,实现了交通指数评估系统中的数据处理、分析、指数后台计算关键算法,最后通过手机APP、微信公众号等形式,实时地发布高速公路交通指数。实验结果表明：高速公路交通指数不仅可以反映整体的高速运行状况,也可以反映特定高速或者特定高速区间的实时拥堵情况,还可以实时监测高速路网的拥堵情况,为居民出行提供参考,对缓解道路拥堵起到积极作用。