基于混沌的交通流量Volterra自适应预测模型*

采用基于混沌动力系统的相空间重构和非线性系统的Volterra级数展开式,构建了交通流量的Volterra自适应预测模型。其基本思想是首先采用Lyapunov指数判定交通流时间序列存在混沌的前提下,对该时间序列进行相空间重构;然后选择Volterra级数构造非线性预测模型,并采用LMS类型的自适应算法来实时调整模型的系数。应用该模型对Lorenz、Rossler和交通流时间序列进行仿真研究。结果表明,提出的Volterra自适应预测模型能有效地预测低维混沌时间序列和交通流时间序列。     

交通流序列的Volterra自适应预测

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,构建交通流的Volterra自适应预测模型.在应用小数据量法判定交通流存在混沌特性的前提下,分别用平均互信息法和虚假邻点法选取延滞时间和嵌入维数以实现对交通流时间序列的相空间重构.通过Volterra级数展开式建立非线性预测模型,采用LMS自适应算法实时调...     

混沌时间序列的Volterra级数多步预测研究

针对混沌时间序列在多步预测中自适应预测方法的预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,并基于混沌序列产生的确定性和非线性机制、混沌动力系统相空间延迟坐标的重构及二阶Volterra自适应滤波模型,给出了一种混沌时间序列的Volterra级数多步预测方法.在多步预测中,根据已知的样本得到对将来值的预测.仿真结果表明,能够对混沌时间序列进行多步预测,具有较好的预测效果.     

混沌时间序列预测模型的比较研究

针对目前混沌时间序列预测模型预测结果差异较大的问题,归纳了4种混沌时间序列预测模型：BRF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究。应用4种预测模型对几个典型的非线性系统进行预测仿真。结果表明,这4种预测模型对典型混沌时间序列预测都具有很好的预测效果;在预测精度上BRF模型和Volterra模型明显优于最大Lyapunov指数模型和局域线性模型。     

交通流量VNNTF神经网络模型多步预测研究

研究了VNNTF 神经网络（Volterra neural network trafficflow model,VNNTF） 交通流量混沌时间序列多步预测问题. 通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra 离散模型之间的关系,给出了确定交通流量Volterra 级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF 神经网络交通流量时间序列模型;设计了交通流量Volterra 神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF 网络模型,Volterra 预测滤波器和BP 网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF 神经网络的多步预测性能明显优于Volterra 预测滤波器和BP 神经网络.     

改进的非线性卫星信道均衡器

针对常用的Volterra结构均衡器运算量大的问题,提出一种改进结构的非线性卫星信道自适应均衡器。通过对截断Volterra级数进行数学分析,得到了具有非线性均衡器和线性均衡器级联形式的新均衡器结构。新结构均衡器将Volterra结构均衡器表达式中的三阶记忆项相乘转变为新模型非线性部分的二阶记忆项相乘,降低了信号通过均衡器所需的复数乘法次数。仿真结果表明,改进结构的非线性卫星信道自适应均衡器运算所需的复数乘法次数在信道记忆很深的情况下约为Volterra结构均衡器的1/9,有利于信号的实时处理。与此同时,经改进均衡器均衡输出的16振幅移相键控调制（16APSK）信号的星座点更为紧凑。     

基于Volterra模型的预测控制及应用

由于工业实践的需要,非线性预测控制近年来受到广泛地关注.Volterra模型是一类特殊的非线性模型,非常适合描述工业过程中的无记忆非线性对象.传统的基于Volterra模型的控制器合成法及迭代计算预测控制器法计算量大,且不便于处理控制约束.非线性模型预测控制求解是典型的非线性规划问题,序列二次规划(sequential quadratic program,SQP)算法是求解非线性规划问题常用方法之一.针对Volterra非线性模型预测控制求解问题,本文将滤子法与一种信赖域SQP算法相结合,提出一种改进SQP算法用于基于非线性Volterra模型的带控制约束的多步预测控制求解,并分析了所提方法的收敛性.工业实例仿真结果证实了所提方法的可行性与有效性.     

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.     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

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。     

A spatio-temporal Volterra modeling approach for a class of distributed industrial processes

It is difficult to model a distributed parameter system (DPS) due to the infinite-dimensional time/space nature and unknown nonlinear uncertainties. A low-dimensional and simple nonlinear model is often required for practical applications. In this paper, a spatio-temporal Volterra model is proposed with a series of spatio-temporal kernels for modeling unknown nonlinear DPS. To estimate these kernels, they are expanded onto spatial and temporal bases with unknown coefficients. To reduce the model dimension and parametric complexity in the spatial domain, the Karhunen–Loève (KL) method is used to find the dominant spatial bases. To reduce the parametric complexity in the temporal domain, the Laguerre polynomials are selected as temporal bases. Next, using the Galerkin method, this spatio-temporal modeling becomes a linear regression problem. Then unknown parameters can be easily estimated using the least-squares method in the temporal domain. After the time/space synthesis, the spatio-temporal Volterra model can be constructed. The convergence of parameter estimation can be guaranteed under certain conditions. This model has a low-dimensional and simple nonlinear structure, which is useful for the prediction and control of the DPS. The simulation and experiment demonstrate the effectiveness of the proposed modeling method.     

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。     

二阶Volterra变记忆长度LMP算法

针对实际应用中非线性系统记忆长度未知致使Volterra自适应滤波器可能无法达到最优性能的问题,提出一种二阶Volterra变记忆长度LMP算法。利用Volterra滤波器二阶权系数矩阵的对称性和对称矩阵可对角化分解性质,推导得到了一阶权系数与二阶权系数个数相同的信号矢量与权系数矢量内积的二阶Volterra滤波器输出信号表达式;提出了基于DCT的二阶Volterra自适应滤波器（CSVF）及其LMP算法（CSVLMP）;采用FIR抽头长度的自适应调整思想,提出了基于DCT的二阶Volterra变记忆长度LMP算法（CSVMLMP）。记忆长度未知的非线性系统辨识的仿真结果表明,在[α]稳定分布噪声背景下,该算法在收敛速度、稳态性能和计算复杂度之间达到了较好的折中。     

A hierarchical alternative updated adaptive Volterra filter with pipelined architecture

The pipelined adaptive Volterra filters (PAVFs) with a two-layer structure constitute a class of good low-complexity filters. They can efficiently reduce the computational complexity of the conventional adaptive Volterra filter. Their major drawbacks are low convergence rate and high steady-state error caused by the coupling effect between the two layers. In order to remove the coupling effect and improve the performance of PAVFs, we present a novel hierarchical pipelined adaptive Volterra filter (HPAVF)-based alternative update mechanism. The HPAVFs with hierarchical decoupled normalized least mean square (HDNLMS) algorithms are derived to adaptively update weights of its nonlinear and linear subsections. The computational complexity of HPAVF is also analyzed. Simulations of nonlinear system adaptive identification, nonlinear channel equalization, and speech prediction show that the proposed HPAVF with different independent weight vectors in nonlinear subsection has superior performance to conventional Volterra filters, diagonally truncated Volterra filters, and PAVFs in terms of initial convergence, steady-state error, and computational complexity.     

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。