基于二次指数平滑法和优化Kalman滤波的短时交通组合预测

优化改进传统的Kalman滤波模型,解决预测精度不高且预测滞后的问题.用二次平滑指数法和优化后的Kalman滤波模型两种方法组合对道路断面通过交通量进行短时交通预测,通过平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分析预测结果.实例预测结果表明:当修正因子α=0.5时预测结果较为精确,同时,优化改进后的Kalman滤波模型的预测准确性有所提高.组合预测的两种方法都能够有效地降低预测误差,但按权重组合预测的效果更为明显.     

基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均（SARIMA）模型的递归预测方法．通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式．通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求．     

基于结构可靠性算法的停车换乘行程时间可靠性计算

为了定量分析停车换乘(PR)出行方式的时间可靠性,提出了一种PR行程时间可靠性计算算法并进行求解.将PR出行过程按照出行特征划分为小汽车、停车搜索、步行及轨道交通4个出行子链,在拟合和标定各子链行程时间分布的基础上,基于结构可靠性计算中的HL-RF算法设计求解算法.通过当量正态化法(RF)将各出行子链的行程时间分布转换为对应的当量正态分布,然后利用验算点法(HL)计算PR行程时间可靠度.最后,以实际案例验证所提算法.结果表明,该算法能够简洁有效地计算PR出行行程时间可靠性,且计算中考虑了PR各出行子链行程时间服从不同时间分布的情况.     

复杂信号环境下的鲁棒卡尔曼滤波算法

该文提出一种有效减小全球导航卫星系统接收机在复杂信号环境下定位误差的鲁棒卡尔曼滤波算法。该算法对基于高斯白噪声模型的传统Kalman进行了改进,引入了污染分布,并提出了一种基于加权组合正态分布模型下的滤波算法。同时利用矩估计理论对算法中的污染率给出了一种在线估计方法。通过模拟数据和真实采集信号的测试证明,本文提出的算法可在线对污染率进行准确稳定的估计,抑制粗差的效果明显优于传统Kalman滤波算法,定位误差显著减小。     

基于改进SRUKF的PMSM转速控制

提出一种基于改进的平方根无迹Kalman滤波(SRUKF)算法以降低在有干扰情况下的电机转速误差.在仿真实验中加入干扰影响电机运行,利用电机的d-q轴电流、电角速度和转子位置等信息预测电机转速值,用改进的算法控制转速以降低干扰对电机转速产生的误差,并与传统无迹Kalman滤波算法进行对比.结果表明,该算法的系统运算量更少,算法控制的有干扰电机转速比没有干扰的真实值误差更小,具有更好的鲁棒性.     

考虑注意力和时空特征深度学习的网约车行程时间预测

行程时间预测做为智能交通领域中重要的组成部分,在道路导航、乘客出行过程中起着重要的作用。现有方法很少考虑到交通拥堵变化所产生的影响。本文提出了一种基于注意力机制的时空特征深度学习模型,模型通过卷积神经网络去学习行程过程中所花费的时间和距离以及交通拥堵状态信息,通过注意力机制从通道和空间上两个角度去捕获影响行程中路段通行时间的异常信息,采用双层的长短时记忆网络去学习行程中的路段序列信息,最后通过多任务的学习机制从路径和路段两个角度出发去预测路径通行时间。本文提出的方法与DEEPTRAVEL模型相比,预测精度在平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别提升了8.23%和20.79%。     

自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.     

一种时间序列优化的粒子滤波算法

针对预测对象在动态过程中发生结构性变化的时间序列,难以建立一个实时解析变化趋势的模型.本文提出基于时间序列自适应建模的粒子滤波算法(TS-PF).采用时间序列方法动态构建预测模型,并将粒子滤波算法中一系列加权粒子以该模型进行状态转移,运用粒子滤波重采样技术,使预测误差进一步减小,预测精度逼近最优估计.非线性预测系统仿真实验表明基于时间序列自适应建模的粒子滤波算法(TS-PF)比单纯采用时间序列动态建模算法(TS)精度更高,提高了动态目标跟踪的准确性.     

改进灰色时序模型在建筑物变形监测中的应用

建筑物变形监测数据中存在着随机干扰和不确定性因素,而单一的数学模型预测结果精度较低,制约了变形预测的准确性。针对这一问题,文中采用了一种自适应Kalman滤波的灰色时序组合预测模型。首先,通过自适应Kalman滤波算法对原始数据进行去噪处理,动态的去除数据内部的随机干扰误差;然后,将灰色模型(GM模型)与时间序列分析模型(AR模型)相结合,得到拟合时间序列中的沉降量趋势项和沉降量随机时间序列剩余项,生成一种非线性组合模型;最后,对变形监测数据进行整理预测,并将该预测模型应用于建筑变形工程实例中,与GM(1,1)预测模型、GM(1,1)-AR预测模型通过平均残差、残差的方差和后验差比值进行对比分析。结果表明:该模型后验差比值可达到0.045 1,所得数据结果明显减小,预测精度显著提高,结果更加准确可靠。     

含预测和容错的自适应Kalman目标跟踪

针对模型不准确时,传统Kalman滤波目标跟踪算法精度有限甚至发散的问题,研究了基于新息协方差在线匹配技术的自适应Kalman滤波算法,提高跟踪精度;并以Kalman滤波估计的目标位置为基础,利用一步Kalman预测得到下一时刻目标可能的位置范围,避免对整幅后帧图像进行遍历搜索,减小了计算量;为了避免存在干扰时异常量测对目标跟踪的影响,研究了量测信息异常检测算法,以Kalman预测的量测代替异常量测,增强抗干扰能力。实验证明,所提算法能够有效提高目标跟踪的精度和鲁棒性。     

基于期望-超额行程时间与有限理性的城市交通分配模型

为完善现有交通分配方法,综合考虑路网与出行者两方面不确定性因素对随机出行行为的影响,建立基于代理的城市路网交通分配模型。首先,采用期望-超额行程时间反映路网行程时间的客观不确定性,并构建通行能力随机退化条件下的出行成本函数。随后,引入出行者对路径成本的感知更新过程,采用有限理性理论描述出行者的主观不确定性,并结合Logit公式确定路径决策算法。接着,采用轮盘赌随机算法生成出行者每日出行选择,完成城市交通分配模型构建。最后,将所建立的模型分别应用于双路径网络、九点网络与Sioux-Falls网络,分析模型优势及参数变化对路网性能的影响。研究结果表明：路网达到稳定所需的天数随路网退化程度、出行者对成本差异的敏感程度和经验学习能力的提高而变长;稳定状态下的路网总成本随路网退化程度、出行者对行程时间可靠度要求的升高而变大;追求个人行程时间的可靠性会导致稳定状态下的路网总成本升高,可靠度越高,所需的缓冲时间越多;路网退化越剧烈,这种“升高”越明显,因为超额时间也在增大;相比于用户均衡(UE)模型、有限理性(BR)模型和期望-超额行程时间(METT)模型,所建模型兼顾主客观不确定性,能有效克服传统...     

IMM迭代无迹Kalman粒子滤波目标跟踪算法

针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法.该算法在多模型滤波过程中采用改进的粒子滤波算法,通过迭代无迹Kalman滤波融入最新观测信息,进而生成粒子滤波的重要性密度分布,从而提高采样质量,改善滤波算法性能.仿真结果表明,提出的算法相对于交互式多模型粒子滤波算法具有更好的跟踪效果.该算法对提高跟踪机动式再入目标的精度与实时能力具有一定的理论意义.     

基于时间序列模型SARIMA的犯罪预测研究

基于时间序列分析的犯罪预测是公安情报工作的重要办法之一。利用2005年2月～2013年12月我国某北方大型城市的一般伤害、抢夺和抢劫3类犯罪案件数量数据,建立了SARIMA时间序列预测模型,并进行了验证。结果表明一般伤害案件的数量存在周期性波动,且没有明显的增减趋势,预测效果较好(PRMSE为11.95%,MAPE为10.92%)。抢夺案件的数量具有周期性波动且在2008年前后存在明显的增减趋势,通过数据处理,将抢夺数据的增减趋势与周期性分别进行了研究,得到了相对较好的预测效果(PRMSE为17.08%,MAPE为13.53%)。抢劫案件的数量不具有明显的周期性波动,难以利用SARIMA进行预测。研究结果可以应用于一般伤害和抢夺类犯罪的趋势预测,为犯罪打击提供宏观决策支持。     

WK混合滤波算法在雷达数据处理中的应用

通常的Kalman滤波算法不能很好的解决信号的时频局部性问题,往往只能在低频和高频两种滤波算法间通过机动检测器(变维滤波算法)或马尔可夫链的转移概率矩阵(VD算法)来进行切换,因为有一定的滞后,并受到机动检测器和转移概率矩阵的影响较大,从而产生较大的滤波误差.笔者将二维可分离小波变换良好的时频局部性和Kalman滤波的实时最佳预测修正跟踪滤波估计结合起来,得出一种有效的混合滤波算法(WK算法),并将该算法用于进行雷达数据的滤波处理,使得滤波估计值逐步逼近真实轨迹.通过实际的仿真验证了该算法比其它单一的滤波算法更为有效.     

基于优化AP-SVR模型的能源消耗预测

针对传统SVR(Support Vector Regression)及其相关改进模型在不同时间阶段的能源消耗样本数据具有差异较大的不同函数规律或分布特征的条件下,难以进行合理预测这一问题,提出了基于优化AP(Affinity Propagation)聚类算法的AP-SVR模型。首先,在滚动预测的算法框架下建立了运用能源消耗累积规律进行预测的模型,并对AP聚类算法进行了优化;其次,结合优化AP聚类算法构建了最优化训练集,并运用SVR得到预测结果。算例分析表明,AP-SVR模型可有效识别样本训练集中能耗数据累积规律的差异,将聚类为同一类别数据作为训练集的条件下,SVR的拟合精度得到明显提升。通过多种模型计算效果的比较发现,剔除不同类型数据后的训练集明显更加适合于SVR模型的预测,在降低预测误差和改善预测结果可信度等方面优化了模型预测效果。     

基于SARIMA-GA-Elman组合模型的短时交通流预测方法

针对单一模型无法深入挖掘交通流复杂的线性和非线性特征方面的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型.该组合模型有效地融合了季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型良好的线性拟合能力和Elman递归神经网络强大的非线性映射能力;在预测过程中首先基于SARIMA滚动预测时间序列的线性分量,然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法(genetic algorithm,GA)优化Elman-RNN,旨在提升Elman-RNN的训练效率,最后把两个模型的预测结果加权组合得到最终的预测值.实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型都有较为明显的提升.     

基于分离有限状态模型的呼吸预测算法

由呼吸运动导致的肿瘤位置变化严重影响放射治疗精度,需要准确预测呼吸位置以实现系统的实时在线误差补偿。该文提出了一种基于分离有限状态模型的呼吸预测算法,将呼吸基线与起伏相分离,并分别使用局部加速度恒定的Kalman滤波和改进的有限状态模型进行预测。改进的有限状态模型将呼吸数据按照邻域特征分为线性、非线性和不规则3种状态,根据每种状态的特点用不同的模型进行预测。对25组患者的实际呼吸数据进行预测,并和传统预测算法进行对比,结果表明:分离有限状态模型呼吸预测算法的均方误差和最大误差明显下降,尤其对于有明显基线漂移的呼吸状态,该算法的预测误差几乎不受影响。     

一种减小TOA测量距离中NLOS影响的DMS模型和估计算法

有效的滤波方法和多尺度估计是无线定位技术的重要研究方向。为了减小在蜂窝网无线定位中非视距传 播(NLOS)对波达时间(TOA)测量距离的误差影响,先结合NLOS误差特性对标准Kalman滤波进行修正,然后提 出将不同采样率的修正Kalman滤波方程与多个尺度联系起来,建立了一种动态多尺度系统(DMS)模型,并给出基 于Haar小波的实现方法。仿真结果表明,基于上述方法优于直接进行Kalman滤波的效果,能较大幅度地提高 TOA测量距离的精度。     

SARIMA模型的建模及其信贷预测分析

对自回归单整移动平均季节模型(SARIMA模型)的原理,以及建模思想进行诠释.指出在经济数据中普通存在的季节性问题,并在ARIMA模型基础上提出SARIMA模型.通过对中国人民银行的月度信贷总量资料的建模及预测分析,得到良好的效果.SARIMA(1,1,0)(1,1,1)12模型这一短期预测模型及其短期预测的结果,可为中国人民银行进行信贷政策的制订提供依据.     

桥梁时变可靠度指标的改进粒子滤波预测算法

基于健康监测时间序列数据,提出了桥梁动态可靠度指标的改进粒子滤波预测方法.首先,利用监测极值数据建立动态模型,将其作为粒子滤波算法的状态方程和监测方程;然后,采用贝叶斯动态线性模型(BDLM)为粒子滤波器提供随时间更新的动态建议分布,以解决传统粒子滤波算法的样本退化问题,同时增加了粒子滤波算法的鲁棒性及自适应性;进而利用改进的粒子滤波算法(IPF),结合极值监测数据实现结构极值的动态预测,并结合一次二阶矩(FOSM)可靠性方法,实现桥梁结构可靠度指标的动态预测;最后通过在役桥梁工程实例与设计试验对所提模型和方法的合理性与有效性进行验证.