机场道面使用性能的动态自回归预测模型

针对我国机场道面性能观测时间短,观测数据少,使用现有模型预测精度低,不能根据观测值动态更新预测模型等现状,提出了将卡尔曼滤波应用于时间序列预测的方法,建立了动态自回归预测模型,进行机场道面使用性能的预估.选取我国华东某机场的实测道面状况指数为基础数据,进行时间序列建模,应用卡尔曼滤波算法实现时间序列模型参数的实时更新,分析模型的预测效果.时间序列数据较少时,难以建立高精度的自回归模型,通过卡尔曼滤波处理建立的动态自回归预测模型精度明显提高.     

基于路面垂直动载自回归建模的IRI测量方法

提出一种基于路面垂直动载时间序列自回归(AR)建模的国际道路不平度指数(IRI)测量方法,即对车轮力传感器测得的路面垂直动载数据进行AR建模,经过Kalman滤波处理后计算功率谱密度,得到路面平整度系数后,由公式转换为IRI值.给出了具体实现方案,分析了方案的合理性,并进行了仿真数据和实车数据实验.仿真数据由AR模型模拟了GB7031—86规定的各级路面,验证了方法的可行性.实车实验分别采集了水泥和沥青路面数据,处理得到的IRI值表明水泥路面和沥青路面均为良级,但水泥路面的路面状况要好于沥青路面,与实际情况相符.建模和滤波等处理均为实时算法,便于仪器化实现,可广泛应用于路面分级和路面质量检测等领域.     

基于垂直加速度的平整度检测指标

根据车载式颠簸仪的垂直加速度检测结果,在垂直加速度均方差σ的基础上,提出了平均绝对偏差δ、平均绝对斜率k和单位面积值s等3个新的平整度检测指标,并与精密水准仪实测的国际平整度指数IRI之间进行了回归分析.研究结果表明,4个检测指标与IRI之间均呈良好的线性关系,均能合理地反映路面平整度.其中,k的精度最高,δ和s的精度基本接近,而σ的精度最差.因此,采用k作为车载式颠簸仪的平整度检测指标更为合理.     

机场沥青混凝土道面剩余寿命预测方法研究

道面结构的剩余寿命是机场中长期维护和改造计划编制的基础,对于机场的运营管理和优化决策具有重要意义.基于“道面族”概念的道面状况指数(PCI)预测模型是目前应用广泛且发展得较为成熟的经验回归预测模型.但是,PCI预测模型的传统建模方法是以长期、大量的数据积累为基础的,而我国民用机场的道面评价工作则刚刚开始专业化、制度化,相关数据比较匮乏.因此,通过对道面使用性能衰变规律的研究,利用现有数据资源,以上海虹桥国际机场为依托,通过回归分析建立了沥青混凝土跑道道面的国际平整度指数(IRI)与累计交通量的关系和IRI—PCI关系.以此为基础,构建了机场沥青混凝土跑道道面的PCI预测模型,应用该模型能够较为准确地预测沥青混凝土跑道道面剩余使用寿命.     

基于编码器-解码器结构的路面平整度预测

提出了基于编码器?解码器结构的路面平整度预测模型。对比分析了不同网络层的表现,并比较了网络层个数、隐藏节点数、数据时间窗口对模型精度的影响。在美国交通部公开的LTPP（long-term pavement performance）数据库的基础上构建了国际平整度指数（IRI）数据集,并对模型进行了训练和评估。结果表明：采用门控循环单元（GRU）网络层的编码器?解码器结构的预测性能最好,优于经典的机器学习模型XGBoost和单独长短期记忆（LSTM）网络。通过特征随机打乱的方式对不同输入特征的重要性进行了评估,结果显示路面结构和温度对于路面平整度预测比较重要,在数据库建设时应注意对这些数据的收集。     

关联交叉口短时交通流可预测性分析及组合预测算法

文中首先根据交叉口交通流参数时间序列的相关性对关联交叉口进行定义,给出关联交叉口短时交通流可预测分析的几个定量指标,以及交通流时间序列最大Lya-punov指数的计算方法;然后提出在短时交通流时间序列的可预测分析基础上,选取一组预测模型并建立基于RBF网络的非线性组合预测模型,提出了关联交叉口短时交通流的组合预测算法;最后对实测短时交通流进行仿真试验,结果表明组合预测方法相对于单项预测方法具有更好的预测性能.     

基于平整度的沥青路面剩余寿命预估方法

根据Sayers M W理论和路面平整度实测结果,建立了模拟路面不平度的正弦波路面模型;基于运动车辆与不平度路面的相互耦合作用,利用复模态理论和Matlab、VC++编程语言,对路面不平度引起的车辆动荷载进行了分析和求解;考虑荷载和环境的综合作用,结合某高速公路路面不平度检测结果,通过修正壳牌永久变形理论,研究了路面平整度衰变规律;以此为基础,构建了某高速公路沥青路面平整度的预测模型。结果表明,应用该模型能够较为准确地预测沥青混凝土路面的剩余使用寿命,可为路面管理的科学决策提供依据。     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

基于最小二乘支持向量机回归的基坑变形预测

将最小二乘支持向量机回归用于基坑变形预测.根据基坑位移的实测时间序列资料,应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型.研究结果表明,最小二乘支持向量机回归用于基坑变形预测,具有较高的预测精度.与通常采用的BP神经网络相比,该方法具有预测误差小、计算快速、所需数据少等优点.     

桂林地区气温与降水量的时间序列预测模型

根据桂林地区2001～2010年各月平均气温和1987～2010年每年6月份降水量的实测数据,利用时间序列的季节指数法和线性外推法分别建立气温预测模型和降水量预测模型,再利用模型对桂林市2011年各月的气温和2011年9、11、12月的降水进行预测,得到比较理想的预测效果.     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network, TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明：该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。     

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。     

基于ARMA模型的振动信号建模与预测

振动信号是反映系统故障的重要信息,预测振动信号的趋势是系统状态监测与故障诊断中的一个重要内容。本文提出了一种采用时间序列模型来分析和预测非线性随机振动信号的方法,建立了描述振动信号的数学模型。首先将现场测得的非平稳振动信号转化成标准正态平稳时间序列,然后利用这些参考信号建立时间序列模型,并采用非线性最小二乘法进行模型参数估计,最后利用该模型对信号进行预测。应用结果表明该模型能够很好地拟合振动信号时间序列,并取得了一定的预测精度,可以达到预测要求。     

基于超距雷达数据的车辆跟驰行为分析及建模

针对高速公路车辆跟驰特性及速度预测问题,基于超距雷达数据分析了高速公路车辆跟驰特性,建立起基于长短期记忆（long short term memory,LSTM）的跟驰速度预测模型。首先,根据数据特点建立了处理规则并筛选跟驰序列。其次,根据车身长度将跟驰车划为大型车与小型车,分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后,将前车速度、位置差、上一时刻车头时距作为模型输入,跟驰车速度作为模型输出,构建了基于LSTM的跟驰速度预测模型,模型预测精度达到99.75%。最后,以高速公路数据为例进行验证,传统机器学习支持向量回归（support vector regression,SVR）模型的预测性能低于深度学习模型,LSTM模型的R Square较SVR模型提升了4.37%;作为LSTM的结构简化变体,在相同的结构参数下,门控循环单元（gated recurrent unit,GRU）模型的预测性能并未提升,但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。     

利用样条函数建立季节性时间序列的预测模型

用B样条函数最小二乘法的非参数回归与时间序列相结合的方法建立了季节性时间序列预测模型. 利用滑动平均估计季节项,再利用B样条函数非参数回归估计长期项和周期波动,对于随机项建立ARMA模型,最后对某产品需求量进行了实例分析. 结果表明该方法有较高的预测精度.     

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．     

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.     

基于时间序列疏系数模型的太阳辐射年际变化趋势预测

利用1961—2016年山东省济南市太阳年总辐射量观测数据,通过模型识别和统计检验,对比分析时间序列模型AR(5)和ARIMA((1,2,4),1,0)的拟合结果。残差检验结果表明,疏系数模型ARIMA ((1,2,4),1,0)可用于预测地表太阳年总辐射量,预测结果显示2017—2025年济南市地表太阳辐射的年际变化整体呈增长趋势。对比多元线性回归模型结果,时间序列疏系数模型误差较小,预测准确度相对较高。     

基于时序动态分析的油井产量预测研究

针对目前常用的油井产量预测方法效果并不理想的问题，开展时间序列分析来进行油井产量动态预测研究。采用时间序列分析结合残差修正方法，建立具有时序动态分析能力的产量差分自动回归移动平均模型（Autoregressive Integrated Moving Average，ARIMA），得出预测初始值与真实油井产量的残差；通过构建支持向量机（Support Vector Machine，SVM）时序预测模型进行残差修正，获得油井产量组合预测值；并将长短期记忆网络（Long Short-Term Memory，LSTM）模型与上述方法进行对比。实验表明，组合预测模型、LSTM模型的预测结果平均相对误差率分别为9.81%和32.44%。说明组合模型预测更精准，为油井产量的动态预测提供了一种有效方法，可作为油井在生产计划时的快速实时辅助依据，具有实用价值。