基于卡尔曼滤波的高速道路行程时间动态预测

首先介绍了卡尔曼滤波的算法，并定性说明了其优点－动态性、实时性。然后使用卡尔曼滤波法和传统的预测方法分别对同一观测数据进行了观测和对比，从而定量证明了卡尔曼滤波的高精度性，研究成果对于开发交通信息诱导系统和动态交通分配均具有较大的意义。     

卡车路段行程时间的实时动态预测

分析了建立卡车路段行程时间预测模型传统方法的不足,考虑到高度非线性的露天矿运输系统有别于公路交通系统,针对卡车运行时间的随机性,采用多因子预测,阐述了应用人工神经网络(ANN)原理和方法对卡车路段行程时间预测的可能性和优越性,建立了预测模型的基本结构,描述了行程时间与其影响因素间的非线性映射关系,从而提出了基于人工神经网络原理的行程时间预测模型。     

城市道路交通噪声污染的灰色预测和灰色关联分析

根据郑州市 1994～ 1998年城市道路交通噪声的监测数据以及相关影响因素的数据 ,运用灰色系统理论建立GM (1,N)预测模型 ,对郑州市 2 0 10年前城市道路交通噪声进行预测 ,并进行灰色关联分析。根据分析结果 ,提出了 1999年到 2 0 10年期间的治理对策。     

时间序列关联分析的灰色方法

给出了一种新的灰色关联度,讨论了其性质,并将它引入到时间序列的关联分析中．得到了时间序列关联分析的灰色方法．     

基于灰色关联分析的 BP 算法预测沪铜期货价格

采用灰色系统理论中的关联分析方法,对2012年影响沪铜期货价格的因素进行分析,挑选出主要的影响因素。以主要影响因素为输入向量,以参考价格为输出向量,建立了沪铜期货价格与主要影响因子之间的BP神经网络预测模型,并对沪铜期货价格进行了实证研究。实证研究结果表明：该方法预测精度较高、实用性强。     

基于宏观交通流模型的行程时间预测

以高速道路为研究对象,概述了宏观交通模型的基本方程,提出了一种基于宏观交通模拟的路径行程时间预测方法．预测方法以宏观模型输出的速度为基础计算路径行程时间,能够考虑交通拥堵以确保行程时间预测结果更合理．预测方法包含一般计算方法、由路段行程时间合成的方法（近邻组合法）这两种计算方法,后者用以加快计算速度,确保预测能够适用于较大规模路网．算例分析说明了预测方法的有效性．     

温州区域环境噪声污染的灰色预测和灰色关联分析

根据1997～2003年温州区域环境噪声的监测数据以及相关影响因素的数据,采用两次残差修正GM(1,1)对2010年前温州区域环境噪声进行预测,并进行灰色关联分析.结果表明,该模型为一级模型,进行中、短期预测精度高,相对误差仅为±0.2%,预测结果可为城市区域环境噪声污染防治提供科学的依据.     

宿州市粮食生产灰色关联分析及预测

根据宿州市1978～2009年粮食产量相关统计资料,运用灰色模型对宿州市粮食生产预测并进行影响因素灰色关联分析.结果表明:宿州市粮食产量整体呈上升趋势,但中间因气候因素导致较大波动,若措施得当,未来6年粮食产量将逐年增加;9个影响因子中,粮食单产、粮食播种面积、农业生产资料价格及农田水利设施是影响宿州市粮食生产的最重要的因子.     

基于数据挖掘的高速公路行程时间预测

以高速公路上路段行程时间历史数据集作为研究对象,以交通数据实际特征作为行程时间历史数据集分类的依据,建立基于数据挖掘的高速公路行程时间预测模型.采用山东高速收费站记录实际数据,以实例数据验证模型并计算平均绝对误差.为对比分析预测强度聚类预测模型的有效性,采用多种算法对测试集行程时间预测,对预测结果误差进行了对比.结果表明:预测强度修正的k-means法可以提高高速公路路段行程时间预测的准确性,模型在降低数据采集成本的同时可为高速信息服务提供可靠的预测行程时间,为出行者提供有力的决策依据.     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

基于Burg算法与卡尔曼滤波的有色噪声状态估计

探讨一种有色噪声卡尔曼滤波算法。基于静态环境下多传感器的噪声信号,借助Burg算法和自回归模型,获得可在线估计噪声信号的噪声模型,进而结合经典卡尔曼滤波算法,获得可估计系统状态的有色噪声卡尔曼滤波模型。数值实验结果比较显示该模型对系统的状态估计精度高、噪声抑制能力强。     

城市快速路实时交通状态估计和行程时间预测

根据城市快速路交通诱导和监控系统的实际需要,提出了实时估计和预测城市快速路上交通状态和任意两点间动态行程时间的方法.其基本思想是将扩展卡尔曼滤波理论引入宏观动态交通流模型,结合快速路上的固定检测设备,实时估计和预测未来几个时段的交通状态,并利用“虚拟车”法预测动态的行程时间.通过对上海市快速路典型实测数据的实例分析,发现交通状态估计模型具有良好的跟踪能力,行程时间预测模型在畅通状态计算结果和实测结果几乎完全重合,拥挤状态相对误差基本维持在10%以下.结果表明,该模型的适用性和精度都令人满意,可为城市快速路交通控制和诱导提供依据.     

基于GIS和GPS的交通状态参数估计与仿真模型

基于“大样本,长周期”条件(大样本指车辆数5 000~50 000,长周期指GPS位置传送间隔2~5 min),探讨了在GIS环境下用仿真出租车GPS信息来估计和推算行程时间参数,包括建立参数估计模型、基于GIS的仿真、采用Householder变换解算大规模矩阵;最后将通过仿真系统模拟获得的解算结果数据,与最初给每条路段预设的等级而确定的每条路段上行驶的时间相比较,实验表明达到预期效果,验证了模型和方法的有效性.     

灰色相关分析及其应用研究

为解决基于时间序列数据对象的统计分析问题,提出了一种全新的灰色相关分析方法并定义了其数学模型。灰色相关分析方法充分考虑数据对象随时间的变化而改变的特征,突出了最新的数据在分析结果中的重要作用,使相关性分析对新数据保持高敏感性,尽量弱化时间久远的数据影响,准确地反映了近期各对象间的相关性。利用面向对象程序设计原理,使用面向对象开发工具进行了系统实现,并进行了大量实验测试,实验结果显示,灰色相关分析方法对解决时间序列的分析问题,更加准确、可信。将灰色相关分析方法模型应用到我国环境基本情况的统计中,分析结果可为制定环境保护措施提供有力的科学依据。     

灰色欧几里德关联度

指出灰色平均关联度的缺陷,提出了一种新的关联度——灰色欧几里德关联度,通过理论分析和实例计算,说明了这种新关联度的合理性．     

用模糊自适应滤波算法估计时延

为了对系统中的时延进行估计,基于MRAS结构、最小均方算法和模糊理论,利用系统的输入和输出数据,提出了自适应模糊滤波AFLMS算法。该算法的运算量比通常具有IIR形式的系统辨识算法小得多,且收敛快,便于实时应用。在各种最小均方算法中,μ因子决定算法的收敛速度和稳定性,然而它是难以选择的。采用模糊技术来确定μ因子,克服了其困难。采用PRBS作为输入测试信号,利用计算机和采样电路,对带有时延的系统的仿真结果说明了该算法的有效性。     

Stochastic Optimal Estimation with Fuzzy Random Variables and Fuzzy Kalman Filtering

By constructing a mcan-square performance index in the case of fuzzy random variable, the optimal estimation theorem for unknown fuzzy state using the fuzzy observation data are given. The state and output of linear discrete-time dynamic fuzzy system with Gaussian noise are Gaussian fuzzy random variable sequences. An approach to fuzzy Kalman filtering is discussed. Fuzzy Kalman filtering contains two parts： a real-valued non-random recurrence equation and the standard Kalman filtering.     

一种基于扩展Kalman滤波的多径估计算法

定位系统中,噪声环境下的多径估计是消除多径干扰的前提。提出了一种基于扩展Kal-man滤波(EKF)的多径估计算法,可以有效的估计多径信号的时间延迟和幅度。分析了本地码估计偏差、EKF的估计初值、相关间距以及采样频率对多径估计性能的影响。结果表明,EKF在估计多径信号时,EKF初值不仅影响其收敛速度,而且EKF初值中的幅度初值决定其是否收敛。同时,EKF时间延迟估计误差可以通过提高采样频率和增加最大早晚码间距来减小。     

基于最速下降的混沌时间序列参数估计和滤波

提出了从被加性高斯白噪声污染的混沌时间序列中同时估计混沌系统参数和滤除序列噪声的新方法．并假定产生非线性时间序列的模型已知,但相应的参数未知．这种新方法把对混沌时间序列的参数估计和滤波看作是一种最小化过程,并利用了最速梯度下降方法解决．数值模拟实验表明,新方法要优于现有的方法,是估计混沌系统参数和滤波的一种有效方法．