基于深度置信网络的车辆交通流预测

提出了一种新的基于深度置信网络的交通流预测方法,利用深度置信网络良好的训练和预测性能,能够很好地学习时序数据集的内部特征,从而准确地预测交通数据流.为了验证算法的有效性,在PeMS数据集上对算法进行了实验测试,并同其他相关预测和分析方法进行了比较,实验结果表明新算法具有较好的预测性能.     

一种融合反向交叉预测的QoS预测方法

基于协同过滤的思想,提出一种QoS预测算法DRaC,该算法利用聚类技术实现QoS数据的平滑化预处理,同时利用反向预测和交叉预测机制解决数据稀疏问题,提高了预测准确度.最后基于真实的数据集,以NMAE值为标准,验证了DRaC算法相对于协同过滤等传统方法具有更好的预测效果,并衡量了各参数对预测结果的影响.     

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.     

用周期模型和近邻算法预测话务量时间序列

客服中心话务量虽然具有周期性,但在不同时间遵循不同变化规律,这是话务量预测的难点。针对这个问题,以某电信公司一年的实际话务数据为基础,分别采用周期模型和基于实例的近邻算法进行话务量时间序列预测,并对比分析了两种预测方法的效果。实验数据表明,对工作日话务量的预测,周期模型的预测效果优于近邻算法;对非工作日话务量的预测,近邻算法的预测效果优于周期模型。为取得更好的预测效果,实现了周期模型和近邻算法相结合的预测方法。结果表明,在最好的情况下,该方法的预测精度比周期模型提高约19.7%,比近邻算法提高约48.8%。     

通讯网络指标告警的预测方法研究与应用

以时间序列ARMA模型为基础,加以BP神经网络的学习方法的模型,并利用区间估计的置信区间来过滤异常数据。对某通讯企业网络指标数据进行预测的结果表明,该模型与传统的模型相比具有较强的适应能力和较好的预测效果,从而验证了本模型与算法的可行性、有效性和可靠性。     

Spark框架下交通流数据高效处理方法及其应用

设计并实现基于Spark的交通流数据处理与预测分析应用框架, 可以完成交通流数据的高效清洗、统计、存储和查询。利用基于多阶空间权重矩阵的STARIMA模型进行交通流预测分析, 可以验证数据处理效率及对预测应用的支撑作用。对比实验结果表明: 1) 交通流数据处理框架运行效率高, 适用于复杂的数据清洗和挖掘算法, 为预测模型建立数据支撑; 2) 交通流预测模型对空间权重矩阵进行了多阶优化, 兼顾高效性和准确性, 预测分析结果可以为交通诱导提供参考。     

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。     

基于支持向量机自回归分析的股市动态预测模型及其应用研究

针对股市的非线性和不确定性的特点,本文提出了一种基于支持向量机自回归分析的股市动态预测模型。该模型利用滚动时间窗动态截取股票时间序列,然后对其进行相空间重构,最后利用支持向量机回归算法,在高维映射空间中求解线性回归问题。利用上证综指的长期和短期数据对该模型的预测效果进行了验证,并将预测结果与RBF神经网络预测模型进行了的对比。预测和对比结果表明,支持向量机自回归预测模型具有较强的泛化能力,适合于股市预测。     

流量预测精度对控制效果的影响

为说明流量预测算法对交通控制的实际影响,进而提出交通控制对预测算法的精度要求,根据青岛市江西路实地流量数据,分析线性预测算法的预测精度,研究预测精度对交叉口流量比、周期的影响,进一步获得预测精度对交叉口平均延误和通行能力的影响。研究过程发现数据前期的平滑处理可提高流量预测精度,从而减少预测数据对配时参数以及控制效果的干扰。通过数据分析及研究,结果显示线性流量预测算法预测误差大约为10%,这对周期造成2%左右的误差,使绿灯时间误差在2s以内,而对延误及通行能力的误差干扰都在5%以内。说明线性预测算法在实际信号配时方案中具有可行性,从而简化系统的复杂性,提高运行效率。     

基于预测和矢量量化的高光谱图像压缩算法

针对高光谱图像波段数目多,存储空间大,为后续研究带来极大不便的特点,提出了一种基于广义回归神经网络预测与矢量量化算法结合的高光谱图像压缩算法。该算法通过预测前一波段的像素数据,将符合要求的预测结果继续预测下一波段,通过设置合理的参数,在预测步骤中95%以上的波段可通过预测结果来预测波段数据。利用矢量量化算法对预测数据进行压缩。该算法只需要已知图像的前2个波段数据,即可预测整个图像波段的数据。广义回归神经网络具有很强的非线性映射能力和学习速度,预测效果好。通过预测得到的数据在不同的压缩比下进行实验,结果表明,在保证图像质量的前提下,该算法与对比算法相比,有效降低了运算复杂度,节约了时间,提高了峰值信噪比。     

Application of uncertainty reasoning based on cloud model in time series prediction

Time series prediction has been successfully used in several application areas, such as meteoro-logical forecasting, market prediction, network traffic forecasting, etc. , and a number of techniques have been developed for modeling and predicting time series. In the traditional exponential smoothing method, a fixed weight is assigned to data history, and the trend changes of time series are ignored. In this paper, an uncertainty reasoning method, based on cloud model, is employed in time series prediction, which uses cloud logic controller to adjust the smoothing coefficient of the simple exponential smoothing method dynamically to fit the current trend of the time series. The validity of this solution was proved by experiments on various data sets.     

电力呼叫中心话务量的指数平滑预测方法

采用基于时间序列的指数平滑预测方法对电力呼叫中心的话务量进行了预测,根据话务量预测准确率,分析影响电力呼叫中心话务量的因素,修正了话务量预测模型,提出了适合电力呼叫中心的话务量预测框架,并通过对比实验结果的分析得到了不同时期话务量预测的方法.     

电力系统中长期负荷预测的模糊算法

介绍了用模糊指数平滑法和模糊线性回归法进行电力系统中长期负荷预测的方法，以实际预测为例，给出预测结果，实践证明了上述2种方法虽然以传统预测方法为基础，但具有算法简单，计算速度快，预测精度高，预测误差小，并能提供负荷的一个预测区间等优点，尤其在原始数据存在不确定性和模糊性时，更有着常规预测方法无可比拟的优越性。     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

指数平滑技术在重庆市煤炭需求预测中的应用

指数平滑技术是进行预测决策的有效方法．以实际数据为基础，结合重庆市近年来煤炭实际消耗量数据的特点（具线性趋势），建立了重庆市煤炭需求量的趋势型二次指数平滑模型，并研究了指数平滑模型在重庆市煤炭需求预测中的应用．结果表明，预测值与实际消耗量之间的误差很小，说明此模型可很好地应用于煤炭需求的中短期预测，为重庆市能源决策提供可靠的依据．     

对NWS中资源性能预报算法的一个改进

提出一种新的预报算法——动态指数平滑算法, 该算法 是对传统的指数平滑算法的改进. 为了使指数平滑算法能够更好地适应NWS系统对精确度和系统开销的要求, 增加了对参数的调整. 但这种调整不同于已有的参数调整算法, 并且在时间复杂性、 空间复杂性和预报准确性方面均得到了有效的提高. 通过实验和比较, 本算法更适用于NWS中的时间序列以及有着相似统计学特性的时间序列.     

基于三次指数平滑法的沪牌拍卖月均价预测

随着人们生活水平的提高以及国内外人才向上海的大量涌入,上海车牌拍卖竞争越发激烈,因此对拍牌成交月均价的短期预测具有较高的现实意义.通过对投放数量、投标人数、历史数据等影响因素与成交月均价进行相关性分析发现,利用历史数据进行短期预测最为有效.据此,基于传统的三次指数平滑法和动态三次指数平滑法,利用2016年1~10月上海车牌拍卖成交月均价的历史数据,预测了2016年11月和12月沪牌拍卖成交月均价.同时,通过对预测误差进行分析得到动态三次指数平滑法要优于三次指数平滑法.从而得出,基于动态三次指数平滑法,利用历史数据对车牌月均价进行短期预测,能为车牌拍卖出价提供有效指导.     

基于三次指数平滑的云南学龄儿童人数预测研究

构建科学、准确的学龄儿童人数预测模型,对合理规划小学学校数量,制定小学教师招聘计划,制定人口政策具有一定的参考价值。根据预测误差平方和最小原则,利用Matlab循环语句命令编程,设定平滑系数α的一个精度,从0α1的所有值中选择最优α,研究发现利用该法建立的三次指数平滑模型在学龄儿童人数预测方面有较好的预测效果;在此基础上利用马尔科夫预测法,对三次指数平滑模型预测结果进行修正,弥补了因随机波动性导致的预测误差偏大的情形;通过对这两个模型预测结果的对比分析,表明三次指数平滑-马尔科夫模型的预测效果比单独利用三次指数平滑模型的效果有较大改善。     

优化灰色模型在负荷预测中的应用

论述了用优化灰色理论进行电力系统负荷预测的建模过程。通过指数平滑法对原始负荷数据进行预处理 ,把有起伏特性的原始数据序列改造成规律性强的序列 ,再利用优化灰色模型进行预测 ,提高了预测精度 ,该方法简捷实用 ,经实际算例校核证明 ,可以作为中期电力负荷预测的理想工具