Kalman滤波理论在短时交通预测上的应用

介绍了基于Kalman滤波理论的短时段交通量预测模型,并利用京沪高公路和南京禄口机场高速公路所采集的数据进行了仿真预测.预测结果表明Kalman滤波预测方法对各种状态交通流有较好的适应性,具有较高的预测精度.     

基于Kalman滤波的目标轨迹预测

Kalman滤波器在各个领域都有广泛的应用,如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等．卡尔曼滤波器在机动目标跟踪中具有良好的性能,它是一种最佳估计并能够进行递推计算．但以Kalman滤波方法预测的过程需要对目标的运动方程有准确了解而且要求系统的过程与测量噪声为高斯噪声且相互独立,这在实时跟踪过程中都是很难满足的．本文利用基于Matlab编程的Kalman滤波改进算法实现目标预测跟踪,并绘出目标质心轨迹坐标．     

基于时间序列分解与门控循环单元的地铁换乘客流预测

为丰富地铁内部换乘客流预测理论,更好地制定地铁运营计划,提出了一种基于时间序列分解方法（STL）与门控循环单元（GRU）的地铁换乘客流预测模型。该模型将预测过程分为3个阶段,第1阶段为原始地铁刷卡数据预处理,采用基于图的深度优先搜索算法识别乘客的出行路径,构建换乘客流时间序列;第2阶段运用STL时间序列分解算法将换乘客流时间序列转化为趋势量、周期量以及余量,并利用3σ原则对余量进行异常值的剔除与填充;第3阶段基于深度学习库Keras,完成GRU模型的搭建、训练及预测。以北京地铁西直门站的换乘客流数据为研究对象,对模型的有效性进行了验证,结果表明：与长短时记忆神经网络（LSTM）、门控循环单元、STL时间序列分解方法与长短时记忆神经网络组合模型（STL-LSTM）相比,STL-GRU组合预测模型可提升工作日（不含周五）、周五、休息日的换乘客流预测精度,预测结果的平均绝对百分比误差至少分别降低了2.3、1.36、6.42个百分点。     

地铁乘客流量短时预测方法综述

随着地铁线路的日益复杂和人口的日渐增多,导致了地铁承载压力的急剧增加,给地铁的运营调度和管理带来了极大的困难,综述了地铁短时客流量的预测方法,并从近年来研究地铁短时客流量的方法出发,回顾和整理了国内外关于地铁乘客流量短时预测的相关文献,归纳了相关的研究方法;认为目前的研究方法可以分为三类,各有所长,但大部分都忽略了天气,日期和站点的影响,也没有将地铁的进站人数和出站人数分开预测,虽然方法取得了不错的效果,但是还存在一些不足,相关的研究还有大量工作要做,在此基础上提出了相关的建议。     

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Kalman 滤波的Camshift 运动跟踪算法

提出将Camshift与Kalman滤波相结合的方法.首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上,通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪.实验结果表明,在图像背景复杂且目标不规则运动的情形下,采用此方法仍能有效地跟踪到目标.在真实视频数据上的实验结果表明该方法具有很好的应用前景.     

基于Kalman滤波的AOA测量误差抑制研究

在AOA无线定位中,需要测量特征测量值AOA。而在蜂窝网络的无线测量中,由于非视距传播和多径的影响,AOA测量值误差较大,从而定位精度较低。Kalman滤波技术是一种处理定位数据的有效手段,尤其是动态定位数据,它不仅利用当前的观测量,而且充分利用以前的观测数据,根据线性最小方差原理,求出最优估计。仿真结果表明,Kalman滤波技术可以有效抑制AOA测量误差。     

基于Kalman滤波的TOA测量误差抑制研究

在TOA无线定位中,需要测量特征测量值TOA。在蜂窝网络的无线测量中,由于非视距传播和多径的影响,TOA测量值误差较大,从而定位精度较低。Kalman滤波技术是一种处理定位数据的有效手段,尤其是动态定位数据,它不仅利用当前的观测量,而且充分利用以前的观测数据,根据线性最小方差原理,求出最优估计。     

基于推广Kalman滤波的机载无源定位改进算法

研究空中运动观测平台对地面辐射源目标的纯方位信息定位算法,提出改进的二阶EKF定位算法以提高定位估计精度.用推广Kalman滤波算法代替传统的最小二乘定位算法.充分利用观测平台的运动信息建立了可观测的观测方程,并采用二阶EKF算法解决了在观测误差较大的情况下导致的非线性误差较大的问题.采用Monte Carlo仿真比较LS,EKF和二阶EKF 3种方法的性能.证明用这种方法可以达到更好的估计精度,能够将目标位置定位在更小的概率椭圆内.概率误差椭圆缩小了30%.     

二维Kalman滤波及其在森林资源动态预测中的应用

报道了二维Kalman滤波在森林资源动态预测中的应用,并首次应用二维Kalman滤波研究森林蓄积。利用吉林省松江河局1975－1989年四次连续清查的30块样地资料建立了二维坐标系,应用二维Kalman滤波对森林蓄积动态作出估计与预测,经检验,效果良好。     

GPS 定位中扩展卡尔曼滤波和基于 Bancroft 算法的2步滤波法的比较分析

GPS 定位中常用的线性卡尔曼滤波模型的精度不能完全满足要求。为此,介绍了非线性卡尔曼滤波常用的扩展卡尔曼滤波（EKF）和基于 Bancroft 算法的2步滤波法。算例分析表明,基于 Bancroft 算法的2步滤波法较优。     

基于区间卡尔曼滤波的多传感器信息融合

目标运行建模过程中,存在系统参数不确定的情形．将基于标准卡尔曼滤波的多传感器信息融合算法由系统参数确定的情形推广至参数不确定的情形,给出了基于区间卡尔曼滤波的多传感器信息融合算法,解决了系统参数不确定情形下系统状态估计的融合问题．给出的状态估计不再是目标的状态点估计,而是目标状态的区间估计．     

基于模糊自适应卡尔曼滤波的SLAM算法

针对同步定位与地图创建（SLAM）问题中难以建立准确的先验噪声模型的问题,提出一种改进的模糊自适应卡尔曼滤波算法.该算法通过在线监测新息的变化,利用模糊逻辑对系统噪声和观测噪声的权重进行实时调整,进而改变系统对观测信息的信赖和利用程度,使滤波器最终趋于稳定.为了保证系统的实时性,提出一种直接将输入和输出进行模糊隶属函数匹配的方法代替模糊推理.将新的滤波算法用于SLAM仿真实验,结果表明该算法能根据噪声变化进行快速调整,滤波精度较高,相比标准EKF对定位和构图精度提升了50%以上.     

基于两阶段卡尔曼滤波的多传感器信息融合

在目标跟踪中,对目标运动建模时,常会遇到系统状态方程存在偏差问题. 传统的信息融合方法总是假设系统状态方程中的偏差为常量,很少涉及偏差为随机变量的情形,但实际建模中常会出现这类问题. 针对此问题,提出了基于两阶段卡尔曼滤波的多传感器信息融合方法. 这种方法可以有效地消除系统状态方程在建模存在随机偏差时给信息融合所带来的影响,从而提高了融合精度.     

短时交通量时间序列的小波分析-模糊马尔柯夫预测方法

基于短时交通量时间序列的随机波动特征,提出一种小波分析和模糊马尔柯夫结合的预测方法．首先对交通量时间序列进行多分辨率小波分解,然后对低频部分和高频部分分别进行重构,对重构后的基本信号和干扰信号建立模糊马尔柯夫模型,最后对多个预测结果进行合成,从而得到交通量的预测结果．此外,根据灰色系统理论的新息优先原理,实时更新马尔柯夫预测模型中的状态转移矩阵,进一步提高预测精度．通过对苏州某交叉口短时交通量预测,表明小波分析和模糊马尔柯夫结合的预测方法具有良好的抗干扰能力和容错能力．     

基于多项式模型和卡尔曼滤波器的正交频分复用自适应信道估计算法

在正交频分复用(OFDM)系统中,为了准确地检测接收信号并实现解调,必须对信道的传输函数进行准确估计.本文提出了一种适用于OFDM通信系统,基于二阶多项式模型和卡尔曼滤波器(Kalman filter)的自适应信道估计算法.利用二阶多项式模型对无线时变信道进行建模,通过合理安排插入导频结构,使用块状导频,可以使得原本二维的时频多项式模型减少到一维,降低信道估计算法的复杂度.同时,在多项式模型的基础上,将时变无线信道等效为一autoregressive(AR)过程,从而建立起卡尔曼滤波器的过程方程与测量方程,通过卡尔曼滤波器的递推公式,即可实现对多项式模型参数的自适应估计.本文提出的算法可以仅使用最少的导频(即与多项式模型参数相同个数的导频)实现准确的信道估计.由于每次所需导频个数的减少,接收端所需存储的未解调信号的数量也随之降低,大幅减少了接收端所需的存储空间.计算机仿真证明,与线性插值算法和基于二阶多项式模型算法的信道估计相比,在相同输入信噪比和归一化多普勒频移条件下,本文提出的算法具有较低的误码率.     

Distributed cubature Kalman filter based on observation bootstrap sampling

Aiming at the adverse effect caused by observation noise on system state estimation precision,a novel distributed cubature Kalman filter(CKF) based on observation bootstrap sampling is proposed.Firstly,combining with the extraction and utilization of the latest observation information and the prior statistical information from observation noise modeling,an observation bootstrap sampling strategy is designed.The objective is to deal with the adverse influence of observation uncertainty by increasing observations information.Secondly,the strategy is dynamically introduced into the cubature Kalman filter,and the distributed fusion framework of filtering realization is constructed.Better filtering precision is obtained by promoting observation reliability without increasing the hardware cost of observation system.Theory analysis and simulation results show the proposed algorithm feasibility and effectiveness.     

基于卡尔曼滤波的GPS导航系统故障检测

提出了一种将卡尔曼滤波器与神经网络相结合的导航系统故障检测结构.针对GPS系统的非线性特点,利用扩展卡尔曼滤波推算状态的预测值,并与实际观测值进行比较得到残差,同时采用Elman网络构成时延神经网络,利用残差的当前值及前多个历元的历史值进行故障检测.最后,计算机仿真验证表明,与χ2卡方检测方法比较,该结构不但可以快速检测出系统故障,提高故障检测的概率,而且能进行有效的故障隔离,具有很好的容错性能.     

交通视频中的Kalman滤波的多车辆跟踪算法

提出了一种交通视频中的Kalman滤波的多车辆跟踪算法.该算法利用Kalman滤波器反馈控制系统估计运动状态进行预测和修正,并为运动目标建立模型;利用当前车辆的信息对下一帧目标的位置进行预测,以便缩小目标的搜索范围和搜索时间,从而快速跟踪车辆.利用车辆的外接矩形框大小、质心等特征对车辆进行特征匹配,为交通视频中的车辆建立对应关系,利用新的系统参数更新模型,获得车辆的轨迹,如此反复,从而实现对车辆的跟踪.实验结果表明,此算法运算速度很快,对于车辆这样的快速运动目标,也具有较好的跟踪效果.