空中交通流时间序列的复杂度分析

空中交通系统是复杂的非线性系统,时间序列是研究空中交通系统的有效措施。为了定量分析空中交通的复杂性,首先阐述Lempel-Ziv算法复杂度及其修正复杂度;然后采集三亚01号、02号、04号扇区连续28 d的实际运行数据,构建了空中交通流时间序列;计算了3个扇区交通流时间序列的算法复杂度,并对相关参数的影响进行了分析。计算结果表明,修正的算法复杂度适用于长度较短的时间序列,可用于量化测度空中交通流复杂性;符号化方法、序列长度、时间尺度等对算法复杂度有较大影响。     

基于小波消噪和混沌时间序列的交通流预测研究

基于实际交通流变化的不确定性和交通系统时变复杂的特征,应用小波分析理论,对原始交通流数据进行消噪处理,使消噪后的数据更能反映交通流的本质及变化规律。再针对交通流的非线性特征及其短期可预测性,应用混沌时间序列预测模型来预测短时交通量。结果表明:先进行小波消噪再进行预测所得的结果与实测值有更高的拟合度,可以用于短时交通流的预测。     

用周期模型和近邻算法预测话务量时间序列

客服中心话务量虽然具有周期性,但在不同时间遵循不同变化规律,这是话务量预测的难点。针对这个问题,以某电信公司一年的实际话务数据为基础,分别采用周期模型和基于实例的近邻算法进行话务量时间序列预测,并对比分析了两种预测方法的效果。实验数据表明,对工作日话务量的预测,周期模型的预测效果优于近邻算法;对非工作日话务量的预测,近邻算法的预测效果优于周期模型。为取得更好的预测效果,实现了周期模型和近邻算法相结合的预测方法。结果表明,在最好的情况下,该方法的预测精度比周期模型提高约19.7%,比近邻算法提高约48.8%。     

基于流形距离的高速公路短时交通流预测模型

准确的高速公路短时交通流预测是实现交通诱导和控制的重要前提和基础。为了提高预测精度,提出一种基于流形距离(MD)的K近邻-长短期记忆(K-nearest neighbor-long short-term memory,KNN-LSTM)高速公路短时交通流预测模型。该模型利用流形相似性分析高速公路交通流的时空特性,计算多站点与目标站点之间的流形距离。然后,采用改进的KNN算法筛选出空间相关站点构造交通流数据集,通过LSTM模型提取时序特征得出预测结果。实验表明,与单一预测模型相比,该方法能更好地提取交通流时空特性且预测精度更高,可为高速公路的交通管理提供必要的依据。     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

一种基于PCA的时间序列异常检测方法

在 k-近邻局部异常检测算法的基础上,采用基于主成分分析的多元时间序列的降维方法,依据累积贡献率选择主成分序列,给出了一种效率较高的多元时间序列异常检测算法.实验结果表明:该算法可以较好地提高多元时间序列异常检测的效率     

多元时间序列模式异常研究

为了提高多元时间序列模式异常检测算法的有效性和合理性,在k-近邻局部异常检测算法的基础上,结合基于主元分析的多元时间序列的降维方法,对多元时间序列模式异常进行检测.实验结果验证了该算法对多元时间序列模式异常检测的准确性和有效性.     

基于混沌理论的局域网流量预测

局域网业务流中广泛存在自相似为特征的现象,并且自相似现象与混沌现象间存在紧密联系.通过采用局域网流量对应的时间序列分析的方法进行研究,基于相空间重构思想,通过C-C算法计算嵌入维和延迟时间;利用小数据量法计算局域网流量时间序列的最大Lyapunov指数来判断其混沌特性;针对基于最大Lyapunov指数的预测方法中只考虑中心点的最邻近点对预测的决定性作用,而忽略了其邻近点邻域内其他各点对预测结果的影响的特点,提出了基于最大Lyapunov指数的加权邻域预测法;最后通过实测局域网流量预测验证方法的有效性.      

进离场交通流时距分布特征对比分析

时距分布是空中交通流理论研究的重要概念和组成部分。以中国某机场实测轨迹数据为例,提出一种合适观测点的自动生成方法,该方法能有效提升轨迹数据的利用率,并选择跟驰性较好的轨迹数据用以计算时距。在分别绘制进场和离场交通流时距频率分布直方图的基础上,应用韦布尔、光滑样条和有理函数模型拟合时距分布情况,并从定性和定量的角度对比分析拟合结果。结果表明,在机场运行状态正常时,有理函数模型对离场交通流时距的拟合效果最好,而光滑样条模型对进场交通流时距的拟合效果最好;在机场运行状态不佳时,光滑样条模型和有理函数模型则分别对离场和进场交通流的拟合效果更佳;进场交通流时距分布比离场交通流时距分布特征更明显。     

基于季节性灰色Fourier模型的短时交通流预测

针对短时交通流数据的周期性、非线性和随机性的特点,提出一种基于复化Simpson公式的季节性灰色Fourier模型.在季节性GM(1, 1)模型的基础上,首先利用复化Simpson公式对背景值进行优化,然后用Fourier级数方法修正预测结果.将新模型应用于加拿大Whitemud Drive高速公路的交通流预测,数值计算结果表明:新模型的预测平均绝对值百分比误差为1.54%、拟合度为0.996 0,均优于传统的GM(1, 1)模型、季节性GM(1,1)模型和Fourier优化的季节性GM(1, 1)模型.     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

Seasonal Time Series Analysis Based on Genetic Algorithm

Pattern discovery from the seasonal time-series is of importance. Traditionally, most of the algorithms of pattern discovery in time series are similar. A novel mode of time series is proposed which integrates the Genetic Algorithm （GA） for the actual problem. The experiments on the electric power yield sequence models show that this algorithm is practicable and effective.     

交通瓶颈处局域密度时间序列的长程相关性

【目的】为研究交通相的相关特性,对交通瓶颈处的交通数据作长程相关性分析。【方法】利用元胞自动机建立含有局部缩减道路的三相交通流KKW模型,对交通瓶颈处3个交通相的流量、速度及密度的时间序列进行研究:分别应用R/S分析方法和去趋势涨落分析(DFA)方法对交通瓶颈附近局域密度的时间序列作长程相关性分析,并与交通流元胞自动机NaSch模型的长程相关性分析结果进行比较。【结果】交通同步流的局域密度具有长程相关性,在自由流和宽运动堵塞时对应的局域密度时间序列具有长程反相关。而NaSch模型模拟的局域密度序列无论是自由流还是交通拥堵都呈现长程反相关。【结论】交通瓶颈处呈现交通同步流,且交通同步流具有长程相关性。     

基于混沌理论的高速公路交通流预测研究

对衡枣高速公路短时交通流进行了混沌识别,结果表明其具备混沌特性,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的高速公路交通流神经网络模型,实际数据验证了该方法对短时交通流预测的有效性.     

时间序列分析在粮食产量预测中的应用

在预测粮食产量中可以应用时间序列分析.叙述了时间序列模型的辨识、预测及建模过程,利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,并对2010年的粮食产量进行了预测.     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。     

基于MODWT—ARIMA时间序列的棉花期货高频数据分析

介绍了ARIMA时间预测算法及MODWT小波变换的数学原理,通过对单日棉花期货的交易记录进行了MODWT—ARIMA组合分析,避免了对时间序列起点的敏感,更好地实现了对棉花期货时间序列的预测。     

基于流时间影响域的网络流量异常检测

针对如何提高网络流量异常行为检测准确率的问题,提出基于网络流时间影响域(TID)的网络流量检测模型.通过分析正常和异常情况下流量网络模型平均度的变化,构建了基于复杂网络平均度指标的网络流量异常检测算法.实验结果表明,基于网络流时间影响域的流量网络模型能合理地描述网络流量间的依赖关系,具有良好的检测性能,同时该网络模型仅需时间戳、源IP、目的IP三维网络特征即可实现,检测方法适用于绝大多数网络类型,检测效率优于其他网络流量异常检测方法,具有较高的普适性.     

基于奇异谱分析的混沌序列降噪

基于奇异谱分析的基本思想，提出一种降低混沌信号中噪声的算法及一种基于噪声奇异谱特性的最佳重构阶次选择方法．对一个混沌时间序列进行奇异谱分析，得到各主分量和经验正交函数，选择合适阶次重构信号，即可得到降噪后的混沌时间序列．数值仿真证实了该算法的有效性．     

多变量时间序列CAR模型在交通负荷短期预测中的应用

交通负荷是影响交通通行寿命和可靠度的一个重要因素,交通负荷变化具有明显的周期性。本文针对多变量定性计算的交通负荷难题,利用时间序列的多变量自回归CARMA模型对交通负荷进行建模、预测的理论和方法,对动态系统实行统一建模。我们用递推最小二乘法的多变量自回归模型对交通负荷参数进行估计,并用DPS系统对模型进行预测和分析,测试结果证明了方法的有效性。