组合预测建模中单项预测模型筛选研究

组合预测模型本身是一个对单项预测模型的信息进行选择利用的过程。分析了如何判定和检验参与组合预测的单项预测需满足何种条件,并运用了协整理论对模型进行筛选,从三方面综合地提出了筛选组合预测单项模型的方法和步骤,以期提高组合预测精度,简化计算。在初选的单项预测模型中,除选用较为常见的预测方法外,还加入了一些具有代表性的的单项预测方法,如状态空间模型、神经网络模型等。这些良好预测模型的选用,在一定程度上提高了组合预测的精度。     

基于动态组合残差修正的预测方法

本文建立了一种基于残差修正的组合预测方法,并基于该方法证明了针对多个单一的预测方法根据其在某个时间段的相对预测误差的大小选择组合选项可以进一步提高预测精度.提出了针对不同时间段可根据各种单项预测模型的相对预测误差的大小动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差,以提高预测精度.最后通过实际空调负荷预测对其进行了验证,结果表明这种动态组合残差修正的预测方法相对于基于多个固定单一预测方法的组合预测方法,可以进一步改善预测效果.     

PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

基于微观仿真的快速路短时交通流预测研究

随着预测时间跨度的缩短,交通流量的变化显示出越来越强的不确定性,使得一般方法的预测精度大大降低.为了能够及时准确地进行交通流短时预测,提出了一种以城市快速路为研究对象的以微硬仿真技术为基础的短时交通流预测的方法.该方法以实时的快速路交通流数据为基础,应用M3分布模型对车辆进行初始分布,基于约束卡尔曼滤波进行OD矩阵估计,利用微观交通仿真的方法对快速路的未来交通流进行预测.经过实测数据验证,算法能对交通参教给出较好的预测结果.     

企业财务危机非线性组合预测方法及实证

针对组合预测比单项预测具有更高的预测精度,而线性组合预测方法在建模与预测方面存在着较大的局限性,提出了一种基于模糊神经网络的预测上市公司财务危机的非线性组合建模与预测方法,并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高、学习与泛化能力强和适应性广的优点。     

基于SVM和灰色预测的飞灰含碳量集成预测

针对电厂飞灰含碳量难以进行有效预测的问题,提出一种嵌套智能集成预测方法.首先,利用变学习率BP神经网络和主成分分析方法对输入变量进行降维处理；其次,为提高模型自适应能力,利用上述分析结果采用在线支持向量机建立飞灰含碳量预测模型；然后,为反映飞灰含碳量数据的时间相关性,采用灰色预测方法建立当前时刻飞灰含碳量预测模型；最后,在上述预测模型的基础上,利用信息熵的权值组合方法获得最终的飞灰含碳量预估值.仿真结果表明,该智能集成预测模型的预测精度要高于单一模型,能对电厂飞灰含碳量进行有效预测.     

AC算法的EMD分解GMDH组合的预测模型及应用

引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。     

广义加权多重函数平均组合预测及其参数估计

提出一种新的组合预测模型———广义加权多重函数平均组合预测模型,并利用二次规划算法给出其加权系数的不同参数估计方法。该模型具有广泛的代表性,它集多种组合预测模型于一体,是一种新的群组集结方法,通过选择合适的模型组合形式及最佳的模型参数,能够有效地提高预测精度。预测实例表明了该模型的有效性。     

无检测器交叉口交通流量预测的灰色神经网络模型

为解决一般预测方法要求原始数据量较大,而无检测器交叉口获得的交通流量数据又非常有限的矛盾,提出了一种基于灰色神经网络的无检测器交叉口交通流量预测方法。通过选择不同长度的历史数据构建不同的灰色预测模型,对于不同灰色预测模型得到的预测结果再使用神经网络进行组合,该方法综合了GM预测所需原始数据少、方法简单,而神经网络具有非线性拟合能力的特点。以107国道新市站2002年观测的交通流量作为原始数据,采用灰色神经网络进行时交通流量预测,结果表明了该方法是有效可行的。     

基于向量夹角余弦的水文组合预报方法

针对水文预报中单个水文预报模型预报精度不高的问题, 提出基于向量夹角余弦的水文组合预报方法. 该方法采用组合预测理论建立了实测向量、预报向量和权值向量, 形成向量夹角余弦模型; 根据不同的历史水文资料状况, 给出拟合优度和动态逼近两种可变权值计算方法, 完成参数的率定, 并将各参数对预报精度的影响加以分析. 实验表明: 该方法能够有效地克服单个水文预报模型的不足, 通过实现多个单项水文预报模型的组合, 可将预报合格率提升约20%.     

KF/UPF在SINS大方位失准角初始对准中的应用

为解决捷联惯导系统大方位失准角初始对准中状态维数较高,直接应用无迹粒子滤波(unscented particle filter, UPF)会带来维数灾难的问题,提出了基于卡尔曼滤波(Kalman filter, KF) /UPF组合滤波的初始对准方法。将非线性初始对准模型分解为线性与非线性两部分,采用KF实现对线性部分的最优估计,采用UPF对系统的非线性部分进行状态估计。通过仿真比较不同粒子数下KF/UPF组合滤波算法和UPF算法,结果表明,KF/UPF组合滤波算法在保证初始对准精度和收敛速度的同时,将需要进行UPF滤波的状态维数由10 维降为3 维,减少了计算量,运算时间分别缩短至原来的52.69%和6.0%,提高了初始对准的实时性。     

Unscented卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出unscented卡尔曼滤波-卡尔曼滤波unscented Kalman filte-ring-Kalman filtering,UKF-KF算法,该方法用UKF估计条件线性高斯状态空间模型中的非线性状态,用KF估计线性状态。为了有效地融合UKF和KF估计的后验状态分布,将蒙特卡罗方法应用于KF估计的线性状态均值和方差,获得了与UKF sigma点相同数量的后验线性状态估计分布的样本,然后将这些样本与UKF中sigma点进行合成去获得系统中非线性状态的估计。该算法应用于机动目标跟踪的仿真结果表明:与Rao-Blackwellized粒子滤波器(Rao-Blackwellized particle filter,RBPF)相比,该算法虽在估计精度上略有下降,然而计算时间明显降低,有效提高了实时性。     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

交通拥堵发生时车道非同态性变化的仿真分析

交通系统的状态转移是一个正负反馈交替发生作用的过程。首先提出了同态度量指标、时空盖异度指标等新概念用于定性判断交通系统的状态，并在此基础上，建立了一组变参数线性方程用以描述交通系统状态转移的正负反馈交互进代的过程，最后以某城市环路一个路段发生交通拥堵的过程为实例，仿真分析了交通拥堵发生时车道非同态性变化的过程，仿真结果表明提出的模型能较好地反映车道非同态性变化的实际情况。     

基于改进MPC的协同自适应巡航控制策略研究

针对环境干扰、传感器噪声和跟随时变车速稳定性较差等问题，提出一种基于KF(kalman filtering)的改进MPC(model predictive control)算法。搭建CACC(cooperative adaptive cruise control)车辆间纵向运动学模型，并建立离散状态空间方程；利用KF对状态变量降噪，同时对预测模型进行鲁棒性设计；对不同工况下CACC控制目标进行分析，分别建立目标优化函数。通过搭建Simulink与CarSim联合仿真模型进行验证，结果表明，改进MPC算法能够提高城市与市郊工况下车辆的燃油经济性与驾乘舒适性，实现公路工况下对时变车速的稳定跟随。     

城市单交叉路口交通流实时遗传算法优化控制

针对单交叉路口多相位交通流建立了一种实时动态模型 ,并简要介绍了一种实时遗传算法优化控制方法 .通过对本周期及前一个周期的车流量进行实时测量 ,采用线性预估方法 ,对下一个周期的车流量进行预估 ,以最大通行能力为路口模型控制性能指标 ,从而确定下一周期的相位配时方案 .采用 C语言编程进行实时仿真实验 ,仿真结果表明 ,实时优化性能良好、性能稳定.     

条件线性高斯模型的Gauss Hermite filter-Kalman filter算法

针对条件线性高斯状态空间模型,提出了高斯厄密特滤波-卡尔曼滤波(Gauss Hermite filter-Kalmanfilter,GHF-KF)滤波算法。算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,由GHF获得非线性状态的估计;再将非线性状态的估计均值代入线性状态方程与观测方程,由KF获得线性状态的估计;获得的非线性状态估计方差还用于修正由KF估计的线性状态,以提高精度。将GHF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器RBPF相比,新方法在保证估计精度的同时,明显提高了实时性,计算时间仅约为RBPF的5%。     

机载传感器多目标优化管理算法研究

提出了一种机载传感器多目标优化管理方法。该方法考虑目标状态估计精度,采用交互多模型滤波算法进行传感器量测信息滤波,进而实时计算传感器目标探测跟踪的信息矩阵。在此基础上,采用多目标优化算法以目标信息矩阵、传感器数量和目标被探测数量为指标进行传感器资源的优化配置,实现机载多传感器资源的有效配置和管理。进行了该传感器多目标优化管理算法的仿真研究。研究结果表明提出的传感器管理算法能够快速、有效地完成传感器资源的合理配置。     

短时交通流预测FSMSVR模型

针对城市道路短时交通流的复杂非线性特点和以往的预测仅考虑典型交通条件（无交通事故等突发事件）的现状,结合交通流的特征,提出了一种有限状态机支持向量回归模型（finite state machine of support vector regression model,FSMSVR）的短时交通流预测机制. 通过线性回归算法和指数平滑算法划分交通流状态,根据各状态特点结合支持向量回归算法建立有限状态机工作机制,实现涵盖典型和非典型交通条件的短时交通流预测. 通过实验例证,对比了FSMSVR模型和传统SVR模型对城市道路6min交通流的预测,研究结果表明,该预测机制能够提高预测精确度,在非典型条件下有着较好的预测表现.     

基于自适应多重渐消因子卡尔曼滤波的

针对传统卡尔曼滤波器在模型失配和噪声时变情况下滤波精度下降甚至发散的问题,设计了一种新的多重渐消因子卡尔曼滤波算法。该算法通过一个基于渐消记忆指数加权的新息协方差估计器来计算新息协方差估计值,并依此引入多重渐消因子对预测误差协方差阵进行调整,使得各滤波通道具有不同的调节能力,克服了单渐消因子对多变量跟踪能力差的局限性,从而提高滤波算法的精度和鲁棒性。仿真和试验结果表明,新算法能有效抑制滤波器发散,其滤波精度和鲁棒性优于常规卡尔曼滤波与单渐消因子卡尔曼滤波,能够更好地满足工程应用的要求。