蒙特卡罗方法与拟蒙特卡罗方法解线性方程组

分别介绍蒙特卡罗方法和拟蒙特卡罗方法解线性方程组的基本原理,并对两种方法的误差和收敛速度进行讨论.提出误差由3方面造成:截断误差、方法本身、伪随机数序列和低差异序列分布不均匀.在收敛速度方面:蒙特卡罗法的收敛速度与问题的规模和模拟路径长度无关;拟蒙特卡罗方法的收敛与问题的规模无关,但与模拟路径长度有关.经过对两种方法适用的情况进行讨论及数据测试,认为在一般情况下应选择用拟蒙特卡罗方法解线性方程组.     

基于模式识别的非参数回归在短时交通流上的预测应用

针对非参数回归在短时交通流预测上的局限性,改进传统K近邻方法,加入模式识别功能(通过匹配数l实现)和变K和l搜索算法,得到最优K和l值及相应的预测结果。通过实验发现:改进的K近邻方法在误差范围为5%、9%时对应的预测准确率为84.4%、96.10%。将其与传统K近邻方法进行对比,通过计算两者预测效果的各方面指标,发现改进的K近邻方法在精度和实时性上都有了很大的提高。     

基于Bayesian-MCMC方法的水体污染识别反问题

针对具有不适定性的环境水力学反问题,基于贝叶斯推理和二维水质模型建立水体污染识别反演模型,运用马尔科夫链蒙特卡罗法抽样获得污染源源强、污染源位置和污染泄漏时间等模型参数的后验概率分布和统计结果.实例研究结果表明,基于马尔科夫链蒙特卡罗抽样算法的贝叶斯推理可以较好地用来实现水体污染识别,具有识别精度高,误差小的特点,其可靠性和稳定性高于混合遗传模式搜索优化算法.     

采用MCMC方法的上海股市随机波动模型

采用贝叶斯统计中的马尔科夫链-蒙特卡罗(MCMC)方法对上海股市的随机波动性进行研究,基于Gibbs抽样的MCMC数值计算过程,对上海股市的随机波动率模型(SV)进行参数估计,并在WinBUGS软件中实现.根据信息判别准则(DIC),对比拟合的SV-N,SV-T,SV-MT模型参数,结果表明:SV-T模型最能反映上海股市波动具有尖峰厚尾的特性,可进一步用于预测样本外的波动率结果.     

基于贝叶斯推理的水环境系统参数识别

为了克服监测数据有限而且存在误差给水环境系统参数识别带来的困难,以一维河流水质模型方程为例,构建了水环境系统参数识别的贝叶斯算法．结合模型参数的先验分布和水质监测数据,通过贝叶斯定理计算获得了表征参数分布规律的联合后验概率密度函数．通过马尔科夫链蒙特卡罗模拟对后验分布进行了采样,获得了参数的后验边缘概率密度,并在此基础上获得了参数的数学期望等统计量．计算结果表明采用贝叶斯推理获得的模型参数估计具有很高的精度．此算法构造直观、简单,成功解决了水环境系统参数的可识别性问题．     

基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.     

基于小波分析和集成学习的短时交通流预测

针对短时交通流具有随机性和不确定性等特征,提出一种基于小波分析和集成学习的组合预测模型.首先,对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;其次,对于各重构的单支序列分别使用极端梯度提升模型(extreme gradient boosting,XGBoost)进...     

基于参数不确定性的预应力混凝土梁模型修正

提出了基于参数不确定性的全预应力混凝土梁模型修正方法.灵敏度分析发现混凝土弹性模量和密度是影响梁的自振频率较大的参数.在贝叶斯理论中融入马尔可夫链-蒙特卡罗算法,实现了有限元分析程序和复合链抽样技术的协同工作,得到了模型参数后验分布的统计特征,并预测了梁的前三阶自振频率分布范围.数值分析表明：模型参数后验分布的标准差相...     

突发交通事件非参数诊断的变点统计方法

针对智能运输系统(ITS)项目的开发，建立了突发交通事件非线性、非参数诊断的变点统计方法．依据交通流理论，结合均值交点模型，对变点搜索的最小二乘法和局部比较法进行了阐述．利用英国南安普敦市的实际数据对上述两种算法进行了标定，并给出模型应用的实例验证了方法的有效性．     

基于动态贝叶斯网络的交通流状态辨识方法

为准确地对交通流状态进行辨识,进而支持交通流实时诱导系统有效运行,结合速度、流量与车道占有率3种交通流参数,将贝叶斯网络用于交通流状态辨识,提出了基于动态贝叶斯网络的交通流状态辨识方法. 利用英国南安普敦市的实际数据对上述方法进行了仿真验证. 验证结果表明,利用动态贝叶斯交通流状态辨识方法可以更加准确地判别出交通流所处的运行状态,这为智能交通系统,特别是交通流实时诱导系统,提供了一定的理论支持.      

一种基于局部加权学习的自适应交通流预测机制

结合交通流的特征, 提出了一种自适应的交通流预测机制。首先根据训练数据特点, 按三相交通流理论对交通状态进行分类, 从每个分类对应的训练数据集内提取相应的最佳邻域。在基于局部线性回归模型的预测中, 根据邻域中数据点所处状态分别选择相应局部模型进行预测, 最终预测结果为各局部模型预测值的加权平均。根 据各模型误差确定当前数据所处状态, 增量加入训练数据集。基于真实交通数据的实验证实该方法能够有效提高预测的准确率。     

领域知识与数据驱动的混合交通流车辆轨迹预测

自动驾驶车辆需具备预测周围车辆轨迹的能力。诸多发展中国家普遍存在弱规则、强交互的混合交通流道路,高密度混合交通流的车辆轨迹预测是极具挑战性的任务。为了兼顾混合交通流道路环境下轨迹预测的高精度和可解释性,设计一个融合领域知识和经验的深度学习模型（DK-Conv-LSTM）实现车辆的长、短时轨迹预测。该模型采用卷积结构（Conv）提取交互特征,并将融合车辆历史信息的特征向量送入长短时记忆网络（LSTM）模型实现轨迹预测。知识经验通过嵌入损失函数的方式引导深度学习模型的训练。与基础的LSTM相比,仅添加卷积层结构的Conv-LSTM模型可提升终点轨迹误差（FDE）约30.46 %,提升平均轨迹误差（ADE）约34.78 %;而DK-Conv-LSTM模型可分别提升FDE 46.81 %和ADE 49.08 %;同时DK-Conv-LSTM模型可还原多前车跟驰、超车行为的驾驶轨迹。     

实验物理学中的Monte Carlo方法

简要介绍了Ｍｏｎｔｅ Ｃａｒｌｏ（蒙特卡罗）方法的基本原理和计算步骤,并通过两个具体实例阐明Ｍｏｎｔｅ Ｃａｒｌｏ方法在实验物理学中的应用。     

城市局域路网交通量与OD估计集成仿真方法

为利用有限的交通采集设备,实现全面掌握城市路网交通运行状况、快速有效制定管理措施的目的,提出了一种"封闭环"式检测线圈布设方式和城市局域路网交通量与OD矩阵估计方法.以交叉口转弯比例稳定性实证研究为基础,建立理论模型,并探讨路段分配流量和OD估计唯一性问题.采用蒙特卡罗法设计车辆转弯行为仿真模型,并提出了局域路网交通量与OD矩阵估计的集成仿真方法.实例研究结果表明,其在实际路网上有良好的适用性和可靠性,可为先进交通管理系统相关交通模型的建立和交通采集设备的布设提供依据.     

基于强化协作博弈方法的双车道混合交通流特性

对元胞自动机引入Gipps跟驰模型,并结合改进的Q强化学习方法分别建立普通车辆及智能网联车的微观行驶策略,提出了一种新型的混合交通流演化仿真方法.然后,利用数值模拟方式对双车道交通环境进行仿真,探索智能网联车对混合交通流的动态影响.结果表明,相比于元胞自动机构建的普通车辆智能体,改进的Q强化学习方法训练的智能网联车智能体具备更强的连续时空环境适应能力,双车道环境下道路通行能力随着智能网联车渗透率的提升而增大,最高可提升45.34%.此外,智能网联车渗透率的提高会降低车群低效的换道行为,拓宽高通行能力水平下的车辆密度范围,有利于改善交通拥堵.     

基于深度置信网络的车辆交通流预测

提出了一种新的基于深度置信网络的交通流预测方法,利用深度置信网络良好的训练和预测性能,能够很好地学习时序数据集的内部特征,从而准确地预测交通数据流.为了验证算法的有效性,在PeMS数据集上对算法进行了实验测试,并同其他相关预测和分析方法进行了比较,实验结果表明新算法具有较好的预测性能.     

基于场方法的船舶交通流分析

为大范围、高精度地研究船舶交通流特征,引入场方法对船舶交通流进行分析.该过程基于理想的网格布置,以AIS船舶交通流数据为样本值,运用Delaunay剖分进行三角插值,得到船舶交通流流场分布图.与实际交通流情况的对比分析表明,场的形式能够较好地表征船舶交通流分布特征和航行水域安全状态;采用船舶交通流流场分析结果,可以提高船舶航行安全预警和海事安全监管的有效性.     

基于多输入多输出-正交频分复用系统的动态马尔可夫链蒙特卡罗检测算法

在多输入多输出-正交频分复用系统中,基于马尔可夫链蒙特卡罗方法的贝叶斯多用户检测算法可以有效地抑制多径衰落、载波频偏以及相位噪声干扰,但因收敛速度较慢导致实时性较差.针对这一问题,提出一种动态马尔可夫链蒙特卡罗检测算法.该算法利用系统状态样本间的相关性和所设定的收敛阈值门限,实现动态选取系统状态采样值的迭代收敛区间,以求在确保算法检测性能的同时,进一步提高检测估计运算的实时性.仿真结果表明,该算法具有收敛速度快、误码率低等优点.