基于特征级融合的高速公路异质交通流数据修复方法

为获取完整的交通流数据集,提出了一种交通流数据修复方法.结合多源数据的互补特性,基于深度学习模型构建了时空关联特征提取方法,将高速公路交通流数据缺失情况分为3类,并基于随机森林算法建立修正模型.模型以平均绝对误差最小为优化目标,基于测试集和选择集优化了模型的参数.利用高速公路固定检测器和浮动检测技术获取的多源数据,对比分析了单一数据源与多源数据的修正精度.结果表明:多源数据修正模型明显优于单一数据源修正模型,在点缺失、线缺失和面缺失3种情况下,MAPE的平均值分别提高了24. 87%,39. 87%和52. 93%.此外,随着缺失比例的增加,较单一数据源模型,多源数据修正模型精度更为稳定,在点缺失、线缺失和面缺失3种情况下,其MAPE的方差仅为0. 01,0. 03和0. 08,证明其具有较好的鲁棒性.     

城市快速路实时交通流运行安全主动风险评估

基于上海市快速路系统采集的线圈检测器数据和事故数据,应用贝叶斯网络(BN)模型对快速路实时交通流参数与事故风险进行建模分析,并利用可有效应对缺失数据的高斯混合模型和最大期望算法分别对BN模型输入和参数进行估计,进而主动评估快速路实时交通流运行安全风险,并对事故状态提前做出预警.分别对可能事故点前后2组检测器和4个时间段的8组交通流数据进行了建模,结果表明使用事故发生地点上下游各一个检测器在事故发生前5~10min内的交通流数据建立的BN模型效果最好,事故预测准确率为76.94%.最后不仅与朴素贝叶斯分类、K近邻、反向传播(BP)神经网络等经典事故风险估计算法进行了对比分析,还与现有的实时风险评估成果进行了对比,结果表明BN模型预测效果最好.     

基于动态生成对抗网络的路网缺失交通数据修复

针对智能交通系统数据采集过程中发生的数据缺失问题,本文提出一种基于动态生成对抗网络(dynamic generative adversarial network, D-GAN)的路网交通数据修复方法。该方法首先依据交通数据的时空特性与设定的缺失类型和缺失比例来构造各种缺失交通数据矩阵,然后基于博弈思想迭代训练由2个全连接神经网络构成的生成对抗网络。引入一种新颖的动态自适应机制,研究能在模型计算过程中自动识别生成器与判别器的最佳迭代次数,最终生成完整的交通数据矩阵并修复缺失值。采用加州PeMS和广州交通速度数据集来完成D-GAN模型的构建,并使用多种评价指标评估D-GAN的修复性能。实验结果表明：相对于非随机缺失模式,D-GAN对随机缺失模式的修复精度更高;随着缺失率增加,D-GAN的修复精度加速下降。但在各种缺失条件下,D-GAN模型的修复性能要优于现有模型(例如BGCP、prophet-RF和GAIN)。     

民用建筑“四节一环保”数据的清洗与修复方法研究

针对民用建筑“四节一环保”原始数据中存在的数据质量问题, 使用多种方法实现数据清洗与数据修复。数据清洗方面, 重点关注单栋建筑能耗数据中存在的相似重复记录及异常记录。其中, 识别异常记录采用3σ准则、DBSCAN聚类算法及箱线图内限3种方法。数据修复方面, 重点关注缺失值的填补及基于模型的数据修正。其中, 缺失值的填充使用简单填充、线性回归模型和基于用户的协同过滤推荐算法, 并以平均绝对误差为评估指标进行对比。基于多元线性回归、主成分回归、偏最小二乘回归、岭回归及Lasso回归5种模型, 拟合建筑运行能耗与各解释变量间的关系, 对上海市建筑运行能耗相关数据进行数据修复。结果显示, 单栋建筑能耗数据适合采用箱线图内限来识别异常记录, 并使用中位数填补缺失数据; 上海市建筑运行能耗相关数据中, 岭回归模型的拟合情况最好。     

牙缺失修复不同骨质患者行即刻种植与常规种植临床比较研究

目的比较即刻种植和常规种植在不同骨质牙缺失修复中的近期和远期效果,为临床牙缺失种植提供参考.方法选择牙缺失修复患者96例,以接诊顺位分为两组,单数48例患者为常规修复组,采用常规种植;双数48例患者为即刻修复组,采取即刻种植,比较两组治疗时间,种植后使用Osstell谐振频率分析仪测定种植体稳定性(ISQ值);随访24个月,评价远期效果.结果常规修复组不同类骨质牙缺失患者种植后ISQ值与即刻修复组比较差异无统计学意义(P0.05).即刻修复组Ⅰ,Ⅱ,Ⅲ,Ⅳ类骨质牙缺失患者治疗时间均明显短于常规修复组(P0.05).随访24个月,常规修复组Ⅰ,Ⅱ,Ⅲ,Ⅳ类骨质牙缺失患者种植成功率分别为100%,100%,85.71%,80.0%;即刻修复组种植成功率分别为100%,100%,75.0%,83.33%(P0.05).两组牙齿松动、牙龈红肿、牙周脓肿发生率差异无统计学意义(P0.05).结论即刻种植法修复牙缺失可缩短治疗时间,而且近远期效果与常规种植相当,可用于不同骨质的牙缺失修复.     

快速路交通流运行安全关键参数识别与评估

基于上海市两条快速路采集的事故数据和相应检测器数据,应用随机森林模型对事故发生前5~10min内的交通流数据进行重要变量筛选.利用基于高斯混合模型和最大期望算法的贝叶斯网络(BN)模型对快速路实时交通流事故风险进行建模分析,并对建立的BN模型进行了可转移性测试.结果表明:选取重要变量后建立的BN模型效果优于使用直接检测数据建立的模型,事故预测准确率达到82.78%;可转移性测试中BN模型的事故预测准确率虽有所下降,但整体预测精度和事故预测精度仍都优于利用直接检测数据建立的模型.     

基于灰度模型的电能量异常数据修复研究

提出了一种基于灰度模型的电能量异常数据修复方法,以经过识别的正常历史电能量数据作为输入变量,以异常点所处的时间节点电能量数据作为输出变量,经过一次累加,级比检验,求解预测方程得到预测值,动态地对电能量数据进行迭代预测,最终对预测值进行精度检验,预测的平均相对残差为2.182%,根据结果对原始数据进行修改,从而达到修复电能量异常数据的目的.以某区域实际电能量数据进行模型预测修复,并对结果以及误差进行分析,验证了该方法的可行性.     

垒球绕环式投球动作缺失数据修复方法研究

当前数据修复方法依据垒球运动学关系,构建模型对垒球绕环式投球动作缺失数据进行修复,需要收集大量的骨骼信息先验知识。提出一种基于稀疏表示的垒球绕环式投球动作缺失数据修复方法,将动作捕获设备贴在垒球运动员关节和末端处,以一定的频率对动作数据进行采集,通过重构获取标记点在三维空间中的位置,以ASFAMC的数据格式对垒球绕环式投球动作数据进行存储,给出垒球绕环式投球动作数据捕获过程。针对某一含有缺失标记的垒球绕环式投球动作帧,求出该帧中未缺失部分在由完整帧构成的字典上的稀疏表示系数,通过该稀疏表示系数与字典对动作帧中的缺失数据进行修复。实验结果表明,所提方法具有很高的修复精度。     

PR导热系数普遍化模型及其精度预测分析

在原PR导热系数模型基础上,改进建立了一个PR导热系数普遍化模型,在温度80～1 400 K和压力0.1～350 MPa内对油气藏流体中常见的22个纯组分的气、液相导热系数总共3 263个数据点进行了拟合,总平均相对误差为7.34%.对13个二元和三元混合物总共260个数据点预测的总平均相对误差为7.94%;对3个石油馏分总共22个数据点导热系数预测的总平均相对误差为9.68%.对极性纯物质的总共810个数据点预测的总平均相对误差为6.86%;对极性二元混合物的共439个数据点预测的总平均相对误差为6.03%.该模型的计算精度明显优于石油工程中常用的导热系数模型.     

缺失数据下AR(p)模型的估计方法

研究在缺失数据条件下, 零均值AR(p)模型的估计方法. 应用EM算法, 给出了一个 数据和连续两个数据缺失时的具体计算步骤.     

基于主成分分析和长短期记忆网络的滑坡地表位移监测数据缺失插补算法

在滑坡地表位移监测过程中,由于设备工作异常或恶劣气候的干扰,原始数据会随机出现长时间序列的缺失,这类数据对滑坡的预警和预测有很大的影响。针对上述问题,提出了一种基于主成分分析(principal component analysis, PCA)和长短期记忆网络(long-short term memory, LSTM)的数据插补方法。首先利用PCA实现滑坡监测数据的降维和特征提取,消除数据间的相关性,然后建立基于LSTM的地表位移监测数据插补模型,对缺失数据进行插补。实验结果表明：该模型与BP(back propagation)神经网络等其他几种机器学习插补模型相比,平均绝对误差、均方根误差和平均绝对百分比误差分别为0.523、1.233和0.009,均优于其他几种模型;该模型能够较好地解决地表位移长时间序列数据缺失的问题。     

个性化推荐系统中遗漏值处理方法的研究

为了高效地解决协同过滤算法中的遗漏值问题,而不是简单地用缺省值加以代替,提出了一种新的、在协同过滤中的遗漏值处理方法.其基本思想是,先利用具有最小方差的局部主成分,把包含有遗漏值的不完备数据集划分成多个模糊聚类,然后通过求解广义逆矩阵来获得各个子聚类的主成分,最终在局部主成分的基础上通过简单的线性方程模型去估计聚类中的遗漏值.实验表明,这种方法的优点是低内存需求,具有较小的平均绝对偏差值,并且显示出了比传统推荐算法更好的推荐质量.     

基于混沌理论和MEA-BPNN模型的快速路短时交通流预测

为提高短时交通流预测的精度,在分析北京市二环路实测交通流数据时空特性和混沌性的基础上,利用混沌理论方法对交通流量时间序列进行相空间重构,并基于思维进化算法提出一种改进的BP神经网络模型,将重构的时间序列数据作为模型输入进行交通流预测。结果表明,基于该模型的预测结果与基于传统BPNN模型的预测结果相比,均方根误差、平均绝对误差和平均绝对百分误差分别下降31.11%、20.71%和37.28%,证明了模型具有更精确的预测能力。     

面向行程时间预测准确度评价的数据融合方法

提出BP神经网络融合模型.该模型由三部分组成:初始数据产生模块、BP神经网络数据融合模块、融合结果分析模块.选择四个参数作为该模型的输入变量,其中路段交通流密度和交通量由线圈数据提供,而行程时间估计值与浮动车样本量由浮动车数据提供,并且给出选择这四个参数的依据与原因.最后选择杭州市的一条主干道作为目标路段,采集该路段上的406组数据对该模型进行验证,试验结果表明模型对准确度评价的相对误差仅为4.86％.     

基于HALRTC理论的短时交通流预测算法

针对目前短时交通流预测算法多考虑交通流的低维信息特征,导致无法满足预测精准度要求等问题,引入高精度低秩张量填充理论（HALRTC）,构建基于周、天、时段等多时间维度的动态张量模型,设计了一种融合高维交通流特征的短时交通流预测算法,并以京港澳高速公路杜家坎路段交通流速度数据为例进行实证验证。研究结果显示,算法能够基于较少历史数据较快达到良好预测效果,可有效实现针对工作日与非工作日的交通流预测,平均绝对误差（MAE）平均值约为3.6%,并能及时跟踪交通流波动性。在缺失数据情况下,所提出算法预测精度随数据缺失比例增大而降低,但相较于3种经典预测算法可表现出更好的预测精度。     

云计算环境下基于张量分解的缺失关联规则挖掘算法

针对云计算环境下由于数据缺失导致关联规则发现误差较高的问题,提出一种基于张量分解的缺失关联规则分布式发现算法,从而建模关联规则、缺失数据并近似它们的置信度.利用Apriori算法进行局部数据相关以获得频繁项集,通过CANDECOMP/PARAFAC (CP)分解方法分解张量置信度,使用共轭梯度算法进行迭代以最小化近似张量的成本,当存在缺失数据的情况下,利用分布式算法将局部相关与全局相关结合发现缺失关联规则.仿真结果显示,算法的平均误差仅为5.55％,最大误差不超过10％,低于其他几种较新的缺失关联规则算法,相比基于聚类的关联规则算法,平均执行时间减少了16.5％.结果表明,所提基于张量分解的分布式算法在缺失数据的情况下,性能优于其他的关联规则算法,能更加有效地提供缺失规则置信度的近似解.     

基于最小二乘支持向量机的BLT方程孔缝散射模型

孔缝电磁散射效应分析是开展复杂电子系统电磁防护研究的重要组成部分. 基于微波二端口网络分析理论和电磁拓扑理论,构建了孔缝散射数学模型和广义散射矩阵,并提出了一种新的孔缝散射矩阵进化求解算法. 对单矩形孔腔体HFSS数据进行了仿真分析,结果表明:散射矩阵对反射效应和透射效应的预测绝对误差均值为±1.2 mVm和±3.3 mV/m,相对误差均值为±0.17%和±8.29%;当预测精度为90%时,对反射效应和透射效应的最大预测绝对误差为±2.9 mV/m和±0.763 5 mV/m,最大预测相对误差为±0.39%和±0.93%,实现了孔缝散射效应的准确预测,验证了模型可靠性和实用性.      

中等收入定位与人口度量模型研究

首先利用复合函数方法提出指数多项式和指数帕累托两个新的洛伦兹曲线模型,对收入分配分组数据进行拟合,得到参数估计值、均方误差、最大绝对误差和平均绝对误差指标值.与已知的10种洛伦兹曲线模型比较可知,所给的两个模型均具有很好的模拟效果.然后分别从几何学和经济学角度重新定义了中等收入人口,解释了定义的原理和相关的经济学意义.最后,分别利用几何直观和基尼系数的思想,给定了两种定义的中等收入人口的测算方法和数学模型.     

结合时间序列分解和神经网络的河流溶解氧预测

为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(E_MA)为0.14;平均绝对百分误差(E_MPA)为2.07%;均方根误差(E_RMS)为0.24;可决系数(R²)达到0.951 6,精度较其他时间序列预测模型有所提高.     

毫米波雷达数据驱动的桥梁挠度预测

为监测公路桥梁健康状况从而保证车辆行驶桥面的安全性,基于毫米波雷达监测的桥梁挠度数据,结合深度学习理论,提出了一种基于卷积神经网络（convolutional neural network, CNN）与门控制循环单元（gate recurrent unit, GRU）组合的桥梁挠度预测模型。首先,获取高速公路大桥高精度挠度数据,通过数据预处理,在保留原始数据特征的基础上,修复部分噪声数据;其次,将处理后的样本数据、时间步长和特征数的三维数据,以桥梁挠度数据序列构造的输入矩阵作为输入层,经过CNN-GRU组合模型的密集连接层后,输出预测桥梁挠度值。最后,选取具有代表性的监测点数据,利用均方根误差 (root mean square error, RMSE)、平均绝对误差 (mean absolute error, MAE)、平均百分比误差 (mean absolute percentage error, MAPE)进行预测效果验证。结果表明,CNN-GRU模型的精度更高：较于传统LSTM（long short-term memory）模型在RMSE上提升了59.65%,MAE提升了61.30%;较于CNN-LSTM模型在RMSE上提升了2.48%,MAE提升了4.87%。其对于桥梁挠度极值及趋势的判断基本准确,可以作为桥梁健康状况预测的科学依据。