基于MFD的城市路网运行状态分析及关键路段辨识 —— 以青岛市为例

宏观基本图(MFD)是刻画路网平均流量和平均密度的关系模型,对路网运行状态分析、出行者路径选择和宏观交通控制有重要的作用。以青岛市台东商圈交通流检测器数据为基础,分析城市路网运行状态,并提出一种基于MFD的关键路段辨识的重要度指标,进一步识别路网中的关键路段。结果表明:青岛市台东商圈路网宏观基本图存在"磁滞现象",且在时间序列上呈现"M"状分布;据对其工作日、周末和节假日的宏观基本图分析,发现不同时段的路网运行状态存在差异;在关键路段的识别中,采用了MFD对比与重要度指标测算相结合的方法,验证了指标模型的合理性和准确性。     

基于MFD的路网宏观交通状态及影响因素研究

从城市路网交通管理与控制的需求出发,引入交通流宏观基本图(MFD)模型,基于实测和仿真数据,开展对北京市西三环实际路网的宏观交通状态、时变特征以及影响因素研究.文中首先介绍了MFD模型及其矢量算法,利用实测数据建立西三环路网的MFD,基于Van Aerde模型标定路网交通流特征参数,对比分析路网平均流量-平均密度关系的时段分布差异,并得到宏观交通流的"磁滞现象";其次,证明了交通密度分布的不均衡性是影响路网宏观交通状态的根本因素;最后,利用Integration仿真研究了路网结构、交通需求以及出行路径对路网车流密度分布、宏观交通状态及其变化趋势的影响,以期为宏观交通控制、拥堵治理措施的制定提供决策支持.     

隧道地表沉降预测的时变参数灰序模型TGM-AR

在趋势项提取法中,针对逐步回归法比较烦琐及灰色模型预测精度低的缺点,结合灰色预报系统的灰色性和时变性,根据变形体的实际变形规律,将时变参数a(t),b(t)及灰色理论应用于时序模型建模中,提出并建立时变参数灰序模型TGM-AR.时变参数灰色模型用于提取趋势项部分,时序模型用于提取随机部分.将模型应用于隧道地表的沉降分析和预测,结果表明模型预报精度高,且趋势项的物理意义明确.     

线性回归模型精化方法

为了解决由试验观测数据建立的回归拟合模型存在的模型误差,用基于回归残差的神经网络方法精化模型.采用给定方程获得模拟数据,通过数据结构散点图建立回归模型趋势项,利用经典最小二乘法估计趋势项参数,由趋势项参数计算回归残差,借助误差分级迭代的改进BP算法对趋势项进行精化,将两部分叠加获得精化模型.试验结果验证了基于回归残差的神经网络方法精化模型的有效性:神经网络方法精化后的模型能提高回归模型的拟合及预测精度5倍以上,优于最小二乘配置法和半参数法精化结果.神经网络方法精化模型既克服了单一神经网络模型的不可解释性,使模型具有物理意义,又具有较高的预测精度.     

串联式组合模型在基坑监测中的应用

在传统模型基础上提出串联式组合模型,选择灰色模型对基坑监测数据的趋势项进行拟合,时间序列模型对监测数据的随机项进行拟合,发挥两者自身的特点,进行有机地组合预测分析。通过工程实例预测结果分析表明:串联式组合模型不仅能够预测出基坑的变形趋势,而且相对于时间序列模型、灰色模型有着较好的预测精度,体现出将串联式灰色时间序列组合模型应用于基坑监测的合理性和有效性。     

水上交通宏观态势评估模型

为实现对目标水域水上交通系统宏观状态和演变趋势的定量描述和分析,深入理解和掌握水上交通系统内在因子的相互作用,根据水上交通系统宏观态势的本征特性,构建水上交通宏观态势评估模型.首先,根据宏观态势特点,分析宏观态势评估指标,构建融合动态密度因子和迫近因子的宏观态势评估模型和区域分布模型.然后,将水域网格化,分析各网格的态势变化,将态势在时间维度拓展,建立水上交通宏观态势预测模型.以深圳港区西部港区为例,以区域AIS信息作为态势感知数据进行水上交通系统宏观态势评估和可视化分析,并将水上交通态势与所选指标因子进行相关性检验分析.结果表明,水上交通宏观态势与所选的指标因子之间具有较好的相关性.该模型可较好地反映该水域宏观交通状态和趋势,可为水上交通系统状态分析和系统安全性研究提供一种度量工具.     

基于活动轮廓模型和影像组学的乳腺癌LVI状态预测

针对乳腺癌患者术前LVI状态预测问题，提出了活动轮廓模型和影像组学相结合的计算机辅助分析方法.首先，提出一种基于后验概率和模糊速度函数的活动轮廓模型方法来完成乳腺癌DCE-MRI图像分割.通过在小波域下构建基于后验概率的活动轮廓模型的区域项，同时利用模糊速度函数构建活动轮廓模型的边界项，可以提高乳腺癌病灶分割的准确性.其次，提取形态、灰度、纹理等图像特征，利用集成分类器随机森林方法构造LVI状态的预测模型.实验结果表明，所构建的模型对乳腺癌患者LVI状态具有较好的预测能力.     

灰色系统与时序组合模型在高层建筑沉降预测中的应用

将高层建筑沉降监测数据视为具有确定性趋势的非平稳时间序列，运用灰色GM(1，1)模型提取其中的趋势项，用AR(n)模型表示随机残差项，利用灰色-时序组合模型进行沉降预测．算例结果表明，该组合模型具有较高的预测精度，是一种简单、实用的高层建筑沉降预测方法．     

AR模型应用于振动信号趋势预测的研究

振动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容.本文讲述了对随机信号进行建模的基本方法和模型定阶的准则,并且讨论了轴承振动信号最佳阶数选取的问题.利用现场实测数据进行验证,计算结果表明使用Burg算法的AR模型能够较好地拟合轴承振动信号时间序列,并具有一定的预测精度,可以达到预测要求.     

在线广义神经网络交通状态预测的网格并行算法

针对城市大规模路网交通状态在线预测问题,采集出租车上的全球定位系统数据作为浮动汽车数据(FCD),采用广义神经网络理论,应用网格并行算法,通过加速广义神经网络的收敛和学习速度,构建了在线交通状态预测新模型.实验结果表明,该算法实现了在线广义神经网络交通状态预测模型的并行计算,提高了预测模型的计算速度,满足大规模交通路网实时、高效的在线交通状态预测的实际需求.     

组合模型在机械故障预测中的应用

机械故障预测中,反映系统变化的特征参数往往含有多种趋势成分.引入组合预测模型,用灰色模型描述机械故障发展中的确定性趋势,用AR时间序列模型描述机械故障中的随机趋势.实践证明,较单一模型具有更高的预测精度.     

GM＿AR模型在城市地面沉降数据处理中的应用

为了研究和预测城市地面沉降,文中利用MATLAB编写了灰色模型预测地面沉降的程序,对确定性沉降量和随机性沉降分别进行建模处理,利用GM模型提取变形数据的趋势项,结合AR模型分析随机项,得到结合后的GM_AR模型。结果表明:GM_AR模型相比于GM模型,预测精度更高,预测结果更为可靠、准确,对沉降数据有更好的拟合作用。该模型能更好地防范和预测城市地面沉降。     

产品需求量非平稳时序的ANN-ARMA预测模型

针对基于非平稳时序的产品需求量预测方法存在的问题,研究了人工神经网络(ANN)与自回归滑动平均(ARMA)模型的集成建模与预测方法. 产品需求量的非平稳时序可分解为确定项和随机项两个部分,用人工神经网络模型拟合确定项,以表示非平稳的变化趋势;用自回归滑动平均模型拟合随机项,以表示平稳的随机成分. 将两个模型的预测值之和作为产品需求量的优化预测值. 仿真结果表明,集成模型的预测精度高于单一的人工神经网络模型.     

冲击波作用下土中浅埋结构随机振动分析

本文假设爆炸冲击波为一种非平稳随机过程,但通过数学上的处理,在去掉趋势项以后,可以认为是平稳Gauss过程.本文先对爆炸波进行频谱分析,然后考虑单自由度理想弹塑性结构的随机响应及浅埋土中结构在随机冲击波作用下的安全概率.根据本文所提出的方法计算可以得出工事在未来的核战争中受核爆炸冲击波作用时处于弹性状态、塑性状态或是破坏状态的概率,用来预测工事的安全性。     

一类最小相位随机非线性系统的输出反馈控制及扰动抑制

对于一类具有模型不确定性的最小相位随机非线性系统,研究输出反馈控制使闭环系统状态响应对噪声具有扰动抑制作用,并且无噪声时闭环系统是随机渐近稳定的.首先假设模型系统中的一个子系统随机输入状态稳定,并且系统的漂移项与扩散项分别依赖于该子系统的状态和输出信号,在此假设前提下设计一个降阶观测器,得到一个等价系统,再由递推的方法得出等价系统的输出反馈控制律,使得最终得到的闭环系统对噪声方差是输入状态稳定的.     

基于诱发因素响应与BP神经网络的滑坡位移预测预报

三峡库区地质灾害有滑坡、崩塌、泥石流、塌陷、地面沉降、地裂缝等,其中主要以滑坡为主.为深入研究滑坡的变形特性,建立滑坡位移与其影响因素之间的预测预报模型,本文以三峡库区白家包滑坡为例,基于时间序列分析方法,提取滑坡趋势项位移及周期项位移.针对趋势项位移,采取多项式拟合,针对周期项位移,选取库水位、降雨量、月间库水位变化量、2个月累计库水位变化量、当月降雨量、两月降雨量作为周期项位移的影响因子,建立周期项位移与影响因子之间的BP神经网络预测预报模型.最终基于时间序列的加法模型,将趋势项位移与周期项位移进行叠加,即为预测位移.研究结果表明,该预测预报模型基本反映了滑坡累积位移的整体趋势,具有一定的工程意义.     

基于多源信息的桥梁网级评估方法

针对区域内既有桥梁,研究了路网桥梁结构的共性与个性特点,利用网级相关性总结规律并演绎推广,系统地提出了基于多源信息的桥梁网级评估与预测方法.对桥梁历史检测报告、监测评估报告、设计图纸等进行数据集成与规整,将提取的关键参数及数据集进行神经网络训练与验证,生成一系列桥梁构件及结构层的退化模型.考虑维修行为对结构性能的直接干涉作用,对路网区域范围内的桥梁群进行状态评估及退化趋势预测.以石家庄市高速路网历史数据为依托,通过算例验证了方法的系统性和有效性.     

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.     

GBDT组合模型在股票预测中的应用

采用贡献度与相关性分析(correlation analysis)相结合的办法从目前最常用的244种股票技术指标中提取最优技术指标,进而利用梯度提升树(GBDT)算法对股票的趋势进行预测.对由贡献度、相关性分析与GBDT算法构成的组合模型(简称GBDT组合模型)进行实证分析,首次将GBDT算法应用于沪深300股票的预测.对由不同算法构成的组合模型的预测精度也进行比较分析.实验结果表明,GBDT组合模型在预测精度上优于线性回归组合模型及随机森林组合模型.     

基于混合自回归滑动平均潜周期模型的短期电价预测

应用混合自回归滑动平均潜周期模型对短期电价序列进行了预测.对消除了趋势影响的电价序列,经离散傅里叶变换转换为复值潜周期模型,采用一种简单的周期图检测方法计算电价序列的周期特征参数.为了计及历史信息对当前状态的影响,采用自回归滑动平均模型拟合残差随机分量,采用赤池信息准则确定模型的阶数,参数则由矩估计得到.该模型不要求预先假设电价序列的周期尺度,周期的个数和大小由模型计算确定,方法简单.采用美国宾夕法尼亚、新泽西、马里兰电力市场的实际电价数据对模型进行了检验,验证了模型的有效性.