短时交通流复杂动力学特性分析及预测

为揭示短时交通流的内在动态特性,利用非线性方法对交通流混沌特性进行识别,为短时交通流的预测提供基础.基于混沌理论对交通流时间序列进行相空间重构,利用C-C算法计算时间延迟和嵌入维数,采用Grassberger-Procaccia算法计算吸引子关联维数,通过改进小数据量法计算最大Lyapunov指数来判别交通流时间序列的混沌特性.针对局域自适应预测方法在交通流多步预测中预测器系数无法调节的问题,提出了交通流多步自适应预测方法.通过实测数据计算,结果表明:2,4和5 min三种统计尺度的交通流时间序列均具有混沌特性;改进的小数据量法能够准确地计算出最大Lyapunov指数;构建的交通流多步自适应预测模型能够有效地预测交通流量的变化.为智能交通系统诱导和控制提供了依据.     

混合状态下城市快速路交通流短时预测

建立交通流短时预测状态空间模型, 研究混合状态下城市快速路交通流短时预测. 结合城市快速路自由流状态、拥挤流状态和阻塞流状态下交通流参数的时间和空间分布特性, 基于交通流守恒方程和速度动态模型, 借鉴偏微分方程组求解时空离散的思想, 建立三种状态下交通流短时预测模型; 同时考虑进出口匝道、车道数变更以及道路坡度等因素的影响, 将交通流短时预测模型转化为交通流短时预测状态空间模型, 实现混合状态下交通流短时预测. 研究表明, 该方法能够实现混合状态下道路网内的交通流短时预测, 预测精度可达90.23%. 相同条件下, 经典自回归滑动平均模型的预测精度仅为81%. 关键词： 交通流短时预测 自由流状态 拥挤流状态 阻塞流状态     

道路交通流状态的多参数融合预测方法

针对道路交通流普遍存在的混沌特性以及单交通参数不足 以全面反映交通流状态的实际情况,考虑交通动力学系统中多个 交通参数之间的关联关系,提出一种新的多参数混沌时间序列预 测算法.该算法在相空间重构理论的基础上,借助Bayes估计将多个参数在 同一高维相空间中进行相点最优融合,从而增加重构相空间的系统信息量, 使得相空间的相点轨迹更加逼近原交通系统的动力学行为.同时借鉴单 参数混沌时间序列预测方法,从不同角度对动力学系统的运动状态进行描 述,以实现多参数时间序列的混沌预测.实验结果表明,通过融合多交通参数时 间序列,获得了更加完整的交通流状态变化特征.与单交通参数时间序列的预测 结果相比,其预测误差显著降低,均衡系数相应增大,提高了交通流状态预测的准确率.     

基于小波分析的ARIMA与LSSVM组合的高炉煤气预测

高炉煤气发生量的准确预测对钢铁企业能源优化调度具有重要意义。针对钢铁企业中基于机理模型的高炉煤气发生量难以准确预测问题,建立了基于小波分析的最小二乘支持向量机(LSSVM)和自回归差分滑动平均(ARIMA)相结合的高炉煤气预测模型。预测前利用小波去噪对原始数据进行消噪处理,并对处理后的数据进行小波变换得到趋势序列和波动序列,然后对各部分序列分别建模和预测,最后将各部分预测结果叠加;仿真结果表明,组合预测模型减小了预测误差,提高了预测精度。与其他模型相比,组合预测模型更适合高炉煤气预测。     

结合可视图的多状态交通流时间序列特性分析

交通流时间序列的研究主要采用数据挖掘和机器学习的方法,这些"黑箱"挖掘方法很难直观反映序列特性.为增强交通流时间序列及其特征分析的可视化性,结合可视图理论来构建交通流时间序列的关联网络,从复杂网络角度实现交通流时间序列的特性分析.在网络构建的过程中,考虑到不同交通状态下交通流表征具有的差异性,首先利用交通流参量的相关性对交通流状态进行分类,然后构建不同交通状态下的时间序列复杂网络,并对这些网络的特征属性给出统计分析,如度分布、聚类系数、网络直径、模块化等.研究表明,可视图法可为交通流时间序列映射到网络提供有效途径,并且不同状态下交通流时间序列构建的复杂网络的模块化、聚类系数和度分布等统计特征呈现一定的变化规律,为交通流运行态势的研究提供了可视化的分析角度.     

一种简单的短时辐照度预测研究

准确的辐照度预测是光伏发电系统预测输出功率的关键,而辐照度受纬度、天气类型、海拔等因素的影响巨大,不同地区差异较大。目前对辐照度的短时预测研究中复杂的气象数据获取难度大,因此提出了一种利用便于获取气象数据进行辐照度短时预测的简单方法。根据武汉市特有的地理位置特点,将天气类型分为四类,将环境监测仪实时测量的温度、辐照度数据及不同时刻的太阳高度角作为网络的输入,用多变量BP神经网络模型对05:00到20:00时的每小时辐照度进行短期预测。将得到的预测结果与仅用历史辐照度数据作为输入得到的预测结果进行对比,该模型准确性有很大的提高。最终以持续性方法为基准得出预测技能。结果显示该模型在A、B类天气时预测技能均在0.75以上,大部分分布在0.80~0.85,表明该模型在仅利用便于获取的气象信息的基础上能够较准确地对短时辐照度进行预测。     

基于大样本土壤光谱数据库的氮含量反演

充分挖掘大样本土壤光谱库中有效信息,建立普适性强的土壤全氮(TN)含量反演模型,是高光谱分析的重要应用方向之一。研究采用偏最小二乘回归(PLSR)全局建模、局部加权回归(LWR)和模糊K均值聚类结合PLSR(FKMC-PLSR)局部建模三种方法,分别建立了来自中国西藏、新疆、黑龙江、海南等13个省采集的17种土类1661个土壤样本TN值的高光谱反演模型,并对浙江省104个水稻土样本进行模型验证。结果表明,在大样本下PLSR全局模型对高TN值待预测样本存在低估现象,导致整体预测精度偏低;LWR和FKMC-PLSR局部模型比PLSR全局模型能够更为准确地反演TN含量。研究结果可为利用大样本光谱数据库建立稳定性和普适性较高的土壤TN含量预测模型提供参考。     

基于多重核学习支持向量回归的混沌时间序列预测

鉴于标准支持向量回归应用于混沌时间序列预测时经常会遇到诸如核函数及其参数难以确定的问题,提出了多重核支持向量回归的方法.通过在混合核空间求解二次约束下的二次规划问题,实现多重核支持向量回归算法.该算法不仅可以减少支持向量的个数,而且能够提高预测性能.最后将该方法运用到Lorenz, Henon和Mackey-Glass混沌时间序列预测,仿真结果表明该方法能够有效地提高预测精度,增强预测模型的泛化性能. 关键词： 混沌时间序列 支持向量机 多重核学习 优化     

基于分形自仿射的混沌时间序列预测

从混沌与分形的关系出发，基于奇怪吸引子的分形结构和时间序列的自仿射特性，提出了一种混沌时间序列的预测方法.采用迭代函数系统跟踪混沌的局部运动轨迹，由此确定统计意义上仿射性能最优的时间序列段，并根据吸引子定理和拼贴定理建立预测模型.以Mackey-Glass混沌系统、脑电信号和Lorenz混沌系统等三种混沌系统为例进行预测试验，结果表明本方法能对混沌时间序列进行准确预测，且对混沌时间序列先验知识要求少，具有广泛的实用性. 关键词： 自仿射 迭代函数系统 混沌时间序列 预测     

基于叶绿素荧光光谱分析的稻瘟病害预测模型

为了实现稻瘟病的快速、准确和无损检测,力求构建稻瘟病害预测模型。根据水稻叶片相对病害面积将稻瘟病划分为3个等级,通过激光诱导法采集不同病害等级的活体水稻叶片叶绿素荧光光谱。选取502～830 nm波段激光诱导叶绿素荧光光谱(LICF)作为研究对象,利用Savitzky-Golay平滑法(SG)和一阶导数变换(FDT)对光谱信息进行预处理,通过主成分分析(PCA)方法获取经SG-FDT预处理后光谱的特征向量,根据累积贡献率和方差选取前3个主成分进行分析。将试验样本分为建模样本和检验样本,以稻瘟病害等级为预测指标,利用建模样本的133片叶片的光谱和病害信息分别结合判别分析(DA)、多类逻辑回归分析(MLRA)和多层感知器(MLP)建立稻瘟病的预测模型,利用检验样本的89片叶片的光谱和病害信息对所建模型进行预测检验,完成对PCA-DA、PCA-MLRA和PCA-MLP的对比寻优。结果表明,PCA-DA,PCA-MLRA和PCA-MLP模型均能完成对稻瘟病害的预测,但PCA-MLP模型的平均预测准确率能够达到91.7%,相比PCA-DA和PCA-MLRA模型,在稻瘟病害3个等级上均具有较好的分类和预测能力。     

基于能力区域的交通状态预测方法

交通状态预测是交通流诱导和交通信息发布系统的重要依据.本文提出了一种基于能力区域的城市快速路交通状态预测方法,该方法通过构建神经网络分类器的能力区域,根据样本数据与交通状态类簇之间的空间距离,预测道路交通状态等级.神经网络分类器的能力区域能够有效融合时间、空间等多种特征,并且不需要考虑各特征之间的相关性,具有很强的适应性.实验结果表明,与经典的预测方法相比,其预测误差明显降低,均等系数增大,基于能力区域的方法预测交通状态具有较高的准确性.     

含有误差校正的小波神经网络交通流量预测

交通流量的准确预测对于高速路管理者进行决策至关重要。建立了小波神经网络(WNN)交通流量预测模型,并通过预测训练误差和测试误差校正预测结果来提高预测精度。首先构建WNN模型对交通流量进行初步预测,然后利用经验模态分解(EMD)和WNN模型对训练误差和测试误差进行预测。分别用训练误差预测值、测试误差预测值和两种误差预测值的加权对流量初步预测结果进行修正得到最终预测值。采用四川省成灌高速路交通流量数据进行了仿真对比实验,仿真结果表明含有误差校正的小波神经网络模型能有效提高交通流量预测精度,并且利用两种误差加权修正模型的预测精度高于利用测试误差的修正模型和利用训练误差的修正模型。     

交通流量序列混沌特性分析及DFPSOVF预测模型

以实际采集的交通流量序列作为研究对象, 分别应用互信息法和虚假邻点法确定其延迟时间和最佳嵌入维数, 完成交通流量序列的相空间重构. 通过计算交通流量序列的饱和关联维数和最大Lyapunov指数判定其混沌特性. 以最小均方(LMS)算法为基础, 构建了一种基于Davidon-Fletcher-Powell方法的二阶Volterra模型(DFPSOVF), 其应用了一种可随输入信号变化而实时变化的基于后验误差假设的可变收敛因子技术. DFPSOVF模型避免了在Volterra模型中采用LMS自适应算法调整系数时参数选择不当引起的问题. 将DFPSOVF模型应用于具有混沌特性的短时交通流量预测, 结果表明: 当模型记忆长度与交通流量序列的嵌入维数选择一致时, 模型的预测精度较高, 可以满足交通诱导和交通控制的需要, 为智能交通控制提供了新方法、新思路及工程应用参考. 关键词： 交通流量 混沌 DFPSOVF模型 预测     

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

基于非线性时间序列局域预测法与相关向量机回归模型, 本文提出了局域相关向量机预测方法, 并应用于预测实际的小尺度网路流量序列. 应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数. 对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能, 其中前馈神经网络模型的参数采用粒子群优化算法来优化. 实验结果表明: 邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列, 归一化均方误差很小; 局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布; 局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的. 关键词： 小尺度网络流量 非线性时间序列预测方法 局域预测法 相关向量机回归模型     

近红外光谱法的甜菜糖度快速测定

为了实现甜菜依据含糖量定等分级,甜菜收购环节的按质论价,促进甜菜制糖行业的良好健康发展,应用近红外光谱技术对甜菜糖度的快速检测进行了系统研究,确定了一种快速、无损、准确的测量甜菜糖度的方法。采集具有代表性的28个甜菜品种,820个甜菜样品作为校正集,70个样品作为预测集,扫描得到甜菜校正集样品的近红外原始光谱,选择合适的光谱预处理方法,采用偏最小二乘法建立甜菜糖度的定量预测数学模型,以校正模型的内部交互验证均方根误差(RMSECV)、决定系数(R2)和外部预测标准误差(SEP)为指标对模型的性能进行评价,并对模型的预测效果进行了比较。采用一阶导数和标准正态变量变换对光谱进行预处理并结合偏最小二乘法所建立的定量预测数学模型的预测能力较好。甜菜糖度定量校正数学模型的模型决定系数为0.908 3,内部交互验证预测均方根误差为0.376 7。用此数学模型对预测集70个样品进行预测,预测值与实测值的相关系数达到0.921 4,预测标准误差为0.439,预测值和实测值之间不存在显著性差异(p＞0.05)。结果表明：近红外光谱法作为一种简单、快速、无损、环保的检测方法,能够良好的评价甜菜的糖度。建立的模型具有很高的精确性,可以满足甜菜糖含量测定的需要,该方法可以实现甜菜收购环节的定等分级和按质论价。     

Traffic flow prediction based on BILSTM model and data denoising scheme

Accurate prediction of road traffic flow is a significant part in the intelligent transportation systems. Accurate prediction can alleviate traffic congestion, and reduce environmental pollution. For the management department, it can make effective use of road resources. For individuals, it can help people plan their own travel paths, avoid congestion, and save time. Owing to complex factors on the road, such as damage to the detector and disturbances from environment, the measured traffic volume can contain noise. Reducing the influence of noise on traffic flow prediction is a piece of very important work. Therefore, in this paper we propose a combination algorithm of denoising and BILSTM to effectively improve the performance of traffic flow prediction. At the same time, three denoising algorithms are compared to find the best combination mode. In this paper, the wavelet (WL) denoising scheme, the empirical mode decomposition (EMD) denoising scheme, and the ensemble empirical mode decomposition (EEMD) denoising scheme are all introduced to suppress outliers in traffic flow data. In addition, we combine the denoising schemes with bidirectional long short-term memory (BILSTM) network to predict the traffic flow. The data in this paper are cited from performance measurement system (PeMS). We choose three kinds of road data (mainline, off ramp, on ramp) to predict traffic flow. The results for mainline show that data denoising can improve prediction accuracy. Moreover, prediction accuracy of BILSTM+EEMD scheme is the highest in the three methods (BILSTM+WL, BILSTM+EMD, BILSTM+EEMD). The results for off ramp and on ramp show the same performance as the results for mainline. It is indicated that this model is suitable for different road sections and long-term prediction.     

A Short-Term Hybrid TCN-GRU Prediction Model of Bike-Sharing Demand Based on Travel Characteristics Mining

This paper proposes an accurate short-term prediction model of bike-sharing demand with the hybrid TCN-GRU method. The emergence of shared bicycles has provided people with a low-carbon, green and healthy way of transportation. However, the explosive growth and free-form development of bike-sharing has also brought about a series of problems in the area of urban governance, creating a new opportunity and challenge in the use of a large amount of historical data for regional bike-sharing traffic flow predictions. In this study, we built an accurate short-term prediction model of bike-sharing demand with the bike-sharing dataset from 2015 to 2017 in London. First, we conducted a multidimensional bike-sharing travel characteristics analysis based on explanatory variables such as weather, temperature, and humidity. This will help us to understand the travel characteristics of local people, will facilitate traffic management and, to a certain extent, improve traffic congestion. Then, the explanatory variables that help predict the demand for bike-sharing were obtained using the Granger causality with the entropy theory-based MIC method to verify each other. The Multivariate Temporal Convolutional Network (TCN) and Gated Recurrent Unit (GRU) model were integrated to build the prediction model, and this is abbreviated as the TCN-GRU model. The fitted coefficient of determination R2 and explainable variance score (EVar) of the dataset reached 98.42% and 98.49%, respectively. Meanwhile, the mean absolute error (MAE) and root mean square error (RMSE) were at least 1.98% and 2.4% lower than those in other models. The results show that the TCN-GRU model has strong efficiency and robustness. The model can be used to make short-term accurate predictions of bike-sharing demand in the region, so as to provide decision support for intelligent dispatching and urban traffic safety improvement, which will help to promote the development of green and low-carbon mobility in the future.     

Electricity,Heat, and Gas Load Forecasting Based on Deep Multitask Learning in Industrial-Park Integrated Energy System

Different energy systems are closely connected with each other in industrial-park integrated energy system (IES). The energy demand forecasting has important impact on IES dispatching and planning. This paper proposes an approach of short-term energy forecasting for electricity, heat, and gas by employing deep multitask learning whose structure is constructed by deep belief network (DBN) and multitask regression layer. The DBN can extract abstract and effective characteristics in an unsupervised fashion, and the multitask regression layer above the DBN is used for supervised prediction. Then, subject to condition of practical demand and model integrity, the whole energy forecasting model is introduced, including preprocessing, normalization, input properties, training stage, and evaluating indicator. Finally, the validity of the algorithm and the accuracy of the energy forecasts for an industrial-park IES system are verified through the simulations using actual operating data from load system. The positive results turn out that the deep multitask learning has great prospects for load forecast.