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...     

基于扩大周期的电力负荷预测模型

针对现有电力负荷预测模型依赖近期数据导致预测结果偏离时间序列真实情况的问题,文中提出了基于扩大周期信息的电力负荷预测模型。将预处理完的电力负荷时间序列按照同一时刻不同天进行处理,在此基础上分别利用ARIMA(Autoregressive Integrated Moving Average Model)模型和LSTM(Long Short-Term Memory Network)模型进行建模分析,并采用3种评价指标评估模型的预测表现。预测结果表明,扩大周期信息构建的ARIMA模型的3种评价指标都比传统ARIMA模型低,对应的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)分别为32 434.114 8、5 828.390 9和0.025 2;扩大周期信息的LSTM模型也比原始LSTM模型低,对应的RMSE、MAE和MAPE分别为13 520.497 4、9 298.352 6和0.091 4。     

基于ARIMA时序算法的车站人流密度预测模型

根据车站的人流密度数据,利用ARIMA模型进行了预测,将非平稳的时间序列进行差分,得到平稳化的时间序列,通过Durbin-Watson检验测试数据的稳定性并观察ARIMA模型的残差平均值和方差以及连续残差的自相关性。通过将数据按照比例分为训练集和数据集来对模型进行评估,得到模型的评估得分。为了进一步提高车站人流密度的预测精度,建立基于k-means聚类的ARIMA组合预测模型,通过k-means聚类算法将问题一中得到的主要影响因素的数据集进行聚类,观察每一类数据的组内特点,对每一类数据重新利用ARIMA模型进行预测,然后计算出组合模型的评估得分。     

基于Kalman和ARIMA组合模型的路段行程时间预测

考虑到目前单一路段行程时间预测方法性能不稳定的情况,提出卡尔曼滤波预测(Kalman)和时间序列分析(ARIMA)组合模型进行路段行程时间的预测。利用Kalman模型良好的实时性和ARIMA强大的线性拟合能力,以两种模型分别对同一路段行程时间进行独立的预测,再将这两子模型所得预测结果进行动态加权,以最优模式组合模型以达到最佳预测目的。研究表明,组合模型吸取了两模型的各自优点,其预测准确性高于各独立预测模型,是预测路段行程时间的有效方法。     

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。     

时间序列神经网络预测方法

本文从信息论的角度出发,讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题,并在此基础上提出3种时间序列神经网络预测方法,它们是:神经网络非线性时间序列模型、神经网络多维时间序列模型和神经网络组合预测模型,将上述模型应用于实例的结果表明,在非线性信息的处理能力和预测精度方面都有很大提高。进一步,对今后智能信息预测方法的发展方向进行了探讨,提出了智能信息预测系统的结构模型。     

时间序列神经网络预测方法

本文从信息论的角度出发，讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题，并在此基础上提出３种时间序列神经网络预测方法，它们是：神经网络非线性时间序列模型，神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明，在非线性信息的处理能力和预测精度方面都有很大提高。进一步，对今后智能信息预测方法的发展方向进行了探讨，提出了智能信息预测系统的结构模型。     

引入小波分解的Seq2Seq水质多步预测模型研究

针对现有水质预测模型对水质多步预测大多采用向量输出的预测模式,忽略了时序预测的输出之间存在的时序联系,导致水质多步预测性能较差的问题,采用小波分解（WD）分解水质数据来提取隐藏的水质特征,然后基于分解所得的序列,建立以长短时记忆（LSTM）网络作为编码器和解码器的序列到序列（Seq2Seq）的预测模型,以期望解决时序预测的输出序列之间存在的依赖性问题。采用珠江流域老口站的溶解氧数据验证模型进行7日预测的效果,实验结果表明,LSTM模型处理该问题的能力要强于传统的MLP及SVR模型,而在LSTM模型的基础上构成的WD-Seq2Seq模型的预测效果进一步提升,溶解氧的7日预测平均MAE仅有0.147 1,7日预测平均MSE仅有0.041 2,7日预测平均RMSE仅有0.197 3,水质类别的7日预测平均准确率达到93.26%。     

基于ARIMA模型的区域用电量预测方法

传统区域用电量预测方法存在预测能力差的问题，为此，提出基于ARIMA模型的区域用电量预测方法。获取区域的历年用电量数据进行预处理，获取统一的用电量数据；再利用ARIMA模型对用电量时间序列进行平稳性检测，利用最小二乘估计方法估值用电量参数；最后结合线性神经网络构建区域用电量预测模型，将统一的用电量数据放入模型中进行计算，以此完成区域用电量的预测。实验结果表明，所提方法可以有效检测出电量负荷及电量同比增速，预测能力强、预测精度高。     

基于GRA-LSTM与SARIMA组合模型的季节性时间序列预测

针对LSTM模型对季节性时间序列中的周期、趋势性变化不敏感的特点,提出将SARIMA模型与LSTM模型进行组合,以提高模型预测精度.该方法首先构建了以关键影响因素为非线性输入层和历史数据为线性输入层的多对一 LSTM模型,将经过GRA法筛选的关键影响因素及历史数据输入到该模型中得到初步预测结果,使用SARIMA模型依据历史数据对季节性时间序列进行预测,提取预测结果中单位节点的比例序列,以实现对时间序列中周期、趋势信息的抽取,最后根据SA-RIMA模型中提取的单位节点比例,对LSTM得到的初步预测结果进行修正,得到最终预测结果.实验选取某市民航春运客流量数据对组合模型精度进行验证,通过与支持向量机、GRA法、GRA-LSTM模型、SARIMA模型4种单模型进行比较,验证了组合模型对于季节性时间序列预测的优越性.     

基于在线更新LSTM网络的短期4D航迹预测算法

航班飞行过程中一些因素会对当前飞行轨迹产生影响,从而导致实时航迹与历史航迹相比有一定的差异,使得仅基于历史航迹数据的航迹预测模型的预测性能变差.为解决该问题,提出了一种基于在线更新长短期记忆(Long Short-Term Memory,LSTM)网络的短期4D航迹预测算法,该算法由基于历史航迹数据的预测模型初始化参数...     

Short‐Term High-Speed Traffic Flow Prediction Based on ARIMA-GARCH-M Model

The traditional traffic flow prediction model acquired the poor characteristics of the traffic flow time series, which led to the low prediction accuracy. Therefore, the short-term high-speed traffic flow prediction based on arima-garch-m model was proposed. According to the urban traffic flow theory, ARIMA model and GARCH model are combined to obtain the corresponding fluctuation characteristics and realize the prediction of traffic flow. The experimental results show that the NRMSE and MAPE of the model in this paper are only 3.13?% and 8.76?%, respectively, with good prediction accuracy and better stability and accuracy than the other two models, proving that the model has good performance and can meet the needs of practical application.

     

Exo-LSTM: traffic flow prediction based on multifractal wavelet theory

In order to predict traffic flow more accurately and improve network performance, based on the multifractal wavelet theory, a new traffic prediction model named exo-LSTM is proposed. Exo represents exogenous sequence used to provide a detailed sequence for the model, LSTM represents long short-term memory used to predict unstable traffic flow. Applying multifractal traffic flow to the exo-LSTM model and other existing models, the experiment result proves that exo-LSTM prediction model achieves better prediction accuracy.     

基于注意力循环网络的4D轨迹预测模型

针对传统的轨迹预测方法很难获取轨迹的时空特征、实现高精度和实时预测等问题,提出了一种基于注意力机制的4D轨迹预测模型ARTP(Attentional Recurrent Trajectory Prediction).首先,采用正则化方法对各飞行轨迹进行重构,得到等时间间隔的无噪声高质量飞行轨迹;其次,使用长短期记忆(L...     

基于ARIMA-RNN组合模型的云服务器老化预测方法

针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-RNN)的软件老化预测方法.首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定RNN模型的输入维度;最后,将ARIMA模型预测值和历...     

基于1DCNN-BiLSTM网络的ADS-B欺骗式干扰检测

在空中交通监视系统中使用的现代技术中,广播式自动相关监视(ADS-B)是当今最引人注目的一种,它具有更高的准确性和更少的人为依赖.但其在没有任何认证和加密的情况下广播消息,信息可能会被恶意伪造或修改.本文介绍了两种基于1DCNN-BiLSTM的网络模型,此模型根据ADS-B时域采样数据提取真实信号与欺骗信号的特征并识别...     

Network traffic prediction method based on wavelet transform and multiple models fusion

Accurate prediction of network traffic is an important premise in network management and congestion control. In order to improve the prediction accuracy of network traffic, a prediction method based on wavelet transform and multiple models fusion is presented. Mallat wavelet transform algorithm is used to decompose and reconstruct the network traffic time series. The approximate and detailed components of the original network traffic can be obtained. The characteristics of approximate components and detail components are analyzed by Hurst exponent. Then, according to the different characteristics of the components, autoregressive integrated moving average model (ARIMA) is chosen as the prediction model for the approximate component. Least squares support vector machine (LSSVM) is used to predict detail component. Meanwhile, an improved particle swarm optimization (PSO) algorithm is proposed to optimize the parameters of the LSSVM model. Gauss‐Markov estimation algorithm is adapted to fuse the predicted values of multiple prediction models. The variance of fusion prediction error is smaller than that of single prediction model, and the prediction accuracy is improved. Two actual datasets of network traffic are studied. Compared with other state‐of‐the‐art models, the case study results indicate that the proposed prediction method has a better prediction effect.     

基于非平稳时序ARIMA模型的W频段雨衰预测

针对目前绝大多数雨衰预测模型仅验证到55 GHz,而经过验证的W频段预测模型相对较少,且存在模型表述复杂度高、计算量大的问题,该文提出一种结构简单、计算量小的实时预测方法。该方法基于ARIMA模型,利用非平稳雨衰时序中相邻时序间的相关性建立预测模型,对初始序列进行平稳性检验,通过差分变换将非平稳序列转化为平稳序列,并对平稳化后的时间序列进行参数估计及诊断检验,将传统非线性预测转化为线性预测。并先将该ARIMA(1,1,6)模型在不同极化方式、预测间隔和时序个数的条件下进行比较,然后分别与ITU-R, Silva Mello模型在垂直极化、预测间隔0.10 GHz,时序个数50的条件下进行比较,最后使用ARIMA(1,1,6)模型进行预测,并对照预测序列与仿真序列的吻合度。结果表明,ARIMA模型与ITU-R, Silva Mello模型所得结果预测误差不超过10-3 ,且衰减变化趋势基本相同,预测序列与仿真序列间吻合度较高,说明该方法可用于W频段雨衰预测,且预测精度高,模型表述简单。     

基于GPS基准点的航空吊舱垂直下视目标定位方法研究

传统的无人机目标定位技术要求在外场对惯导基准,减振器基座和光电平台坐标系之间进行复杂的标校,利用空间坐标系转换理论对地面目标进行定位。但由于各坐标系之间标校的偏差和飞机经纬度的误差,使得定位结果精度较低。航空吊舱采用惯导系统和光电转台固联的安装方式,可以彻底消除减振器带来的误差。光电转台在垂直下视状态下,利用飞机海拔高度和激光测距值就可以算出目标点海拔高度。同时利用目标点和GPS基准点之间的像素关系并结合基准点地理经纬度可以准确计算出目标点的GPS坐标。通过仿真实验可以看出航空吊舱在垂直下视模式下,基于GPS基准点进行地面目标定位的方法可以得到较高的精度。相比空间坐标变换的定位方法节省了复杂的系统标校过程,简化了算法公式,不仅提高了定位精度,还增加了解算的实时性。     

Network traffic prediction based on a new time series model

Fast and accurate methods for predicting traffic properties and trend are essential for dynamic network resource management and congestion control. With the aim of performing online and feasible prediction of network traffic, this paper proposes a novel time series model, named adaptive autoregressive (AAR). This model is built upon an adaptive memory‐shortening technique and an adaptive‐order selection method originally developed by this study. Compared to the conventional one‐step ahead prediction using traditional Box–Jenkins time series models (e.g. AR, MA, ARMA, ARIMA and ARFIMA), performance results obtained from actual Internet traffic traces have demonstrated that the proposed AAR model is able to support online prediction of dynamic network traffic with reasonable accuracy and relatively low computation complexity. Copyright © 2005 John Wiley & Sons, Ltd.