|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于变量选择和EMD-LSTM网络的出口SO_(2)浓度预测显示文摘针对燃煤电厂脱硫系统出口SO_(2)浓度难以稳定控制的问题,该文提出一种基于变量选择和经验模态分解(empirical mode decomposition,EMD)–长短期记忆网络(long short-term memory,LSTM)的预测模型。首先,通过机理分析确定与出口SO_(2)有关的相关变量,利用套索(least absolute shrinkage and selection operator,LASSO)算法去除冗余变量。利用互信息确定各输入变量与输出变量之间的时间延迟,并进行时延补偿。对补偿后的数据通过EMD算法进行分解,并作为最终的输入变量。利用LSTM建立出口SO_(2)浓度的预测模型。仿真实验表明,LASSO算法去除了冗余变量,提高了模型泛化能力;EMD分解能够提取数据中的有效信息,降低了模型预测误差;利用LSTM建立的模型其预测精度最高,能够准确预测出口SO_(2)浓度变化。所得结果对实现脱硫系统稳定运行具有重要意义。 | 金秀章 刘岳 于静 王建峰 郄英杰 | 2021 | 中国电机工程学报2021，41，24： | 22 |
| 2 | 深度学习典型目标检测算法的改进综述显示文摘目标检测是机器视觉领域内最具挑战性的任务之一,深度学习则是目标检测最主流的实现方法。近年来,深度学习理论及技术的快速发展,使得基于深度学习的目标检测算法取得了巨大进展,学者从数据处理、网络结构、损失函数等多方面入手,提出了一系列对于目标检测算法的改进方式。针对典型目标检测算法的改进方式进行综述。归纳了常用数据集和性能评价指标,并对数据集的特点、优势及应用领域进行了对比。梳理了典型的基于深度学习的目标检测算法的最新改进思路,从数据增强、先验框选择、网络模型的构建、预测框的选取及损失计算几个方面分别进行论述、总结与对比分析。结合当前存在的问题,展望了基于深度学习的典型目标检测算法的未来研究方向。 | 王鑫鹏 王晓强 林浩 李雷孝 杨艳艳 孟闯 高静 | 2022 | 计算机工程与应用2022，58，6： | 21 |
| 3 | 基于优化PSO-BP算法的耦合时空特征下地铁客流预测显示文摘为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。 | 惠阳 王永岗 彭辉 侯淑倩 余强(指导) | 2021 | 交通运输工程学报2021，21，4： | 20 |
| 4 | 基于VMD-LSTM轨道交通客流预测模型显示文摘客流量预测是城市智能交通系统的重要组成部分。为实现客流量的准确预测,首先采用变分模态分解(VMD)将时序客流数据分解成不同时间尺度下的本征模态函数(IMF),降低数据噪声对客流预测模型的影响,再结合长短时记忆神经网络(LSTM)进行预测,提出VMD-LSTM预测模型。采集明尼苏达州州际轨道交通客流数据对模型进行验证。结果表明:相对传统LSTM预测模型,VMD改进LSTM使平均绝对百分误差(MAPE)减少8.38%,均方根误差(RMSE)减小256.99,有效提高LSTM神经网络的预测精度与鲁棒性。 | 黄海超 陈景雅 孙睿 | 2021 | 华东交通大学学报2021，38，1： | 10 |
| 5 | 多源数据驱动CNN-GRU模型的公交客流量分类预测显示文摘为精准分析公交线路与站点不同客流的出行特征及时变差异性,结合深度学习理论,提出了一种基于卷积神经网络(CNN)与门控制循环单元(GRU)组合的公交客流分类预测模型;融合匹配公交一卡通刷卡、公交车GPS轨迹、线路和站点基础信息、气象等多源数据,实现公交客流数据重构;采用K-Medians算法将乘客分为通勤类和非通勤类;以乘客类型、历史客流量、时段、高/平峰、星期、降水量、重大活动等因素为输入向量,分别建立CNN与GRU单一模型,并利用均方误差、均方根误差、平均绝对误差为评价指标,开展预测;针对单一模型不适用多特征时间序列预测等问题,分别构建了由CNN和GRU组合的线路客流和断面客流预测模型;以北京市特15路公交为例,预测工作日与非工作日场景下的线路及断面的分类客流。分析结果表明:对于通勤类和非通勤类线路及断面客流,组合模型的均方误差相比单一模型平均降低了57.932、13.106和33.987,均方根误差平均降低了1.862、1.058和1.538,平均绝对误差平均降低了1.399、0.487和0.613,可见,多源数据驱动下的CNN-GRU组合模型具有良好的预测性能。 | 赵建东 申瑾 刘麟玮 | 2021 | 交通运输工程学报2021，21，5： | 10 |
| 6 | 基于时间序列分解与门控循环单元的地铁换乘客流预测显示文摘为丰富地铁内部换乘客流预测理论,更好地制定地铁运营计划,提出了一种基于时间序列分解方法(STL)与门控循环单元(GRU)的地铁换乘客流预测模型。该模型将预测过程分为3个阶段,第1阶段为原始地铁刷卡数据预处理,采用基于图的深度优先搜索算法识别乘客的出行路径,构建换乘客流时间序列;第2阶段运用STL时间序列分解算法将换乘客流时间序列转化为趋势量、周期量以及余量,并利用3σ原则对余量进行异常值的剔除与填充;第3阶段基于深度学习库Keras,完成GRU模型的搭建、训练及预测。以北京地铁西直门站的换乘客流数据为研究对象,对模型的有效性进行了验证,结果表明:与长短时记忆神经网络(LSTM)、门控循环单元、STL时间序列分解方法与长短时记忆神经网络组合模型(STL-LSTM)相比,STL-GRU组合预测模型可提升工作日(不含周五)、周五、休息日的换乘客流预测精度,预测结果的平均绝对百分比误差至少分别降低了2.3、1.36、6.42个百分点。 | 赵建东 朱丹 刘佳欣 | 2022 | 华南理工大学学报(自然科学版)2022，50，5： | 10 |
| 7 | 基于EMD-PSO-LSTM组合模型的城市轨道交通短时客流预测显示文摘准确的短时客流预测能够为城市轨道交通的良好运营提供保障,针对客流的非线性和强随机性特点以及LSTM神经网络参数较难确定的问题,提出一种基于EMD和PSO优化LSTM神经网络的组合预测模型。首先利用EMD降低数据噪声的干扰,将客流数据分解为多个IMF,然后利用PSO优化LSTM神经网络的学习率、迭代次数和隐含层的神经元个数,并对各IMF进行预测,将各IMF的预测结果加和得到最终的预测结果。以上海陆家嘴站的客流预测为例验证组合模型的有效性,并与LSTM,EMD-LSTM,PSOLSTM 3种短时客流预测模型做比较,结果显示EMD-PSO-LSTM组合模型的预测误差均小于其他3种模型,在针对工作日和非工作日的客流预测中,预测值和真实值的决定系数分别达到0.992和0.963,可以有效提高客流预测模型的预测精度。 | 赵明伟 张文胜 王克文 李红 | 2022 | 铁道运输与经济2022，44，7： | 6 |
| 8 | 利用时变经验模态分解的主干道短时交通量预测显示文摘为描述短时交通量数据中隐藏的非线性与非平稳特性,提高短时交通量的预测精度,进而更好地构建智能交通平台,提出了一种基于时变滤波经验模态分解(TVF-EMD)与最小二乘支持向量机(LSSVM)的混合预测模型,即TVF-EMD-LSSVM模型。其中:TVF-EMD方法主要用来降低数据中暗含的非平稳性对预测结果影响;LSSVM模型是为了描摹数据中包含的非线性信息演化趋势。研究结果表明:相比经验模态分解(EMD)方法而言,TVF-EMD方法的分解结果更加适合交通流预测;该分解技术与LSSVM模型的结合可提供更好的预测结果,相比LSSVM模型而言,其平均绝对误差、平均相对百分比误差、均方根误差和均方根相对误差分别降低了9.186、18.947%、13.591、0.316%,且均等系数提高了0.0821。 | 赵磊娜 王延鹏 邵毅明 李淑庆 温欣雨 | 2022 | 重庆交通大学学报(自然科学版)2022，41，3： | 6 |
| 9 | 基于收敛趋势变分模式分解的齿轮箱故障诊断方法显示文摘从中心频率的角度出发,深入分析变分模式分解算法中不同初始中心频率的分解特性;利用分解特性对变分模式分解中使用的初始中心频率进行合理更新,在没有先验知识的情况下自适应分解信号的整个分析频带;根据峭度准则,从分解的子信号中选取包含故障信息最丰富的故障分量;对选出的最佳故障分量进行平衡参数优化和稀疏编码收缩处理,并进行包络分析;基于变分模式分解的特性,构建一套完整的基于收敛趋势变分模式分解的齿轮箱故障诊断方法,并应用诊断方法于汽车变速器齿轮箱中齿轮早期局部损伤故障识别和齿轮接触疲劳试验机中齿轮箱故障诊断。研究结果表明:在变分模式分解算法中存在着收敛趋势现象,随着初始中心频率的逐渐增大,所提取模式的收敛中心频率与其相对应的初始中心频率具有特定的收敛关系;提出的方法无需参数先验知识,可自适应地将振动信号进行分解;试验1中提出的方法分解得到的故障分量峭度为3.056,优化处理后故障分量的峭度为24.812,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为2.830和2.421,快速谱峭度分析方法未能提取出故障分量;试验2中诊断方法分解得到的故障分量峭度为3.467,优化处理后故障分量的峭度为19.780,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为3.231和3.361,快速谱峭度分析方法未能提取出故障分量;提出的方法能够增强瞬态特征和故障特征频率,在齿轮箱故障诊断方面更具准确性和优越性。 | 江星星 宋秋昱 朱忠奎 黄伟国 刘颉 | 2022 | 交通运输工程学报2022，22，1： | 5 |
| 10 | 基于IGWO-BP算法的轨道交通短时客流预测显示文摘轨道交通短时客流具有随机性和非线性的特点。为提高轨道交通短时客流预测结果的准确度,研究了基于改进的灰狼优化算法(IGWO)与BP神经网络的短时客流预测算法(IGWO-BP)。计算轨道交通客流不同时间序列的相关系数,确定了BP神经网络的输入和输出方式;用余弦思想和动态权重策略对原始灰狼优化算法改进,提高算法的全局搜索能力和寻优效率;用IGWO算法优化BP神经网络的初始权值和阈值,提高短时客流预测结果的准确性。预测了西安轨道交通2号线龙首原站周三早高峰15 min时间粒度的短时客流量,并将IGWO-BP算法的预测结果与其他5种模型(KF,GM,SVM,BPNN,GWO-BP)比较。结果表明,IGWO-BP算法的均方根误差为89.65,平均绝对百分比误差为1.16%,预测结果的精度和稳定性均为最优。 | 张艺铭 陈明明 石磊 康蓉桂 | 2021 | 交通信息与安全2021，39，3： | 4 |
| 11 | 基于实时监测参数的民用飞机重着陆预警方法显示文摘针对目前民用飞机重着陆事件的识别只能通过飞行员事后上报和维修人员被动检查的问题,提出了一种基于实时监测参数的民用飞机重着陆预警方法;分析了飞机重着陆的影响因素,在对快速存取记录器数据预处理的基础上,采用灰色关联度分析方法,从飞机重着陆相关的52个监测参数中提取了26个特征监测参数;以着陆质量、垂直加速度、垂直下降率和俯仰率等4个重着陆评价参数作为预测参数,26个特征监测参数作为输入,建立了基于长短期记忆网络的飞机重着陆预测模型;采用重着陆案例数据对预测模型进行训练,分析了飞行高度区间、输入输出步长对模型预测精度的影响,进而对模型进行了优化;在案例验证中引入混淆矩阵验证了模型的预测效果。研究结果表明:利用长短期记忆网络所建立的民用飞机重着陆预警方法有效利用了实时监测参数中反映重着陆趋势的信息,实现了飞机的重着陆预警,在提前8s预警的情况下,预测精度达到了98%,平均绝对误差仅为0.0183,可为飞行员提供足够的时间裕度采取措施,避免重着陆的发生。 | 蔡景 蔡坤烨 黄世杰 | 2022 | 交通运输工程学报2022，22，2： | 3 |
| 12 | 基于循环神经网络的城市轨道交通短时客流预测显示文摘为更好地预测城市轨道交通的短时客流情况,提出了基于循环神经网络模型的预测方法。首先,针对轨道交通进出站客流数据,利用Pearson相关系数确定短时客流影响因素;然后,改进K-means聚类算法划分高、中、低客流量三类轨道站点,分析客流时空分布规律及高峰时间段;最后,采用分别基于长短时记忆神经网络(LSTM)与门控循环单元(GRU)的短时客流预测方法,预测不同类型站点在不同时段的客流。实验结果表明:5 min为预测的最佳时间粒度,在此时间粒度下GRU模型整体性能优于LSTM模型。 | 张惠臻 高正凯 李建强 王晨曦 潘玉彪 王成 王靖 | 2023 | 吉林大学学报(工学版)2023，53，2： | 3 |
| 13 | 基于混合深度学习模型的城轨短时客流预测显示文摘准确预测短时客流对城市轨道交通管理者组织客流、有效分配运力资源具有重要意义。构建一种融合注意力机制和时空图卷积门控递归单元的轨道交通短时客流预测模型(STGGA)。基于旅行时间及OD量构建邻接矩阵,采用图卷积神经网络(GCN)捕获客流空间关系。同时,将注意力机制融入门控递归单元(GRU),提取客流时间相关性。进一步引入外部因素,采用GRU进行特征提取,捕捉外部因素对客流的影响。选取北京地铁客流数据进行案例分析。研究结果表明:与自回归移动平均(ARIMA)、支持向量回归(SVR)以及GRU相比,提出的STGGA在总体预测、单站预测效果方面最优,其精度分别至少提高了22.3%,19.3%与8.0%;加入的外部因素能有效提高STGGA预测性能,使其均方根误差至少降低3.4%;引入的注意力机制能识别客流相关输入时间步,增强模型解释性,有效降低STGGA的均方根误差达16.4%;与基于地理连接关系的模型(STGGA_GC)相比,基于旅行时间与OD量的模型(STGGA_TT和STGGA_OD)在均方根误差方面分别降低了35.5%和24.1%;对不同时段预测效果进行分析:与STGGA_OD相比,STGGA_TT在晚高峰展现出了明显的预测优势。所提出的STGGA能够实现轨道交通短时客流的高精度预测,为管理者分析、控制客流提供一定的数据支撑。 | 王雪琴 许心越 伍元凯 刘军 | 2022 | 铁道科学与工程学报2022，19，12： | 3 |
| 14 | 基于数据驱动的电动自行车换电需求预测显示文摘换电企业在城市内建立换电柜,满足不断增长的电动自行车换电需求,涉及到换电柜的选址,电池的投放和换电需求的预测。本文分析了国内某大型换电企业的换电订单数据,发现换电柜存在使用严重不均衡问题,为提高使用率,降低换电成本,提出按区域对换电需求量进行聚类并预测的方法。首先,对换电柜位置进行K-means聚类,据此优化换电柜的投放量,提高使用率;随后,采用整合移动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)预测短时换电需求。实验发现,ARIMA模型在短时换电订单的需求预测上具有较高的预测精度,与其他基线模型相比,各指标均为最好,说明换电需求在时间上更趋于线性关系。本文提出的换电柜优化方法和短时需求预测结果为换电企业的换电柜选址和电池投放量提供数据支持。 | 帅春燕 杨芳 欧阳鑫 许庚 | 2021 | 交通运输系统工程与信息2021，21，2： | 2 |
| 15 | 基于SSA-LSTM的城市轨道交通短时客流预测显示文摘为了减小噪声在城市轨道交通短时客流预测中的干扰,提出了一种基于奇异谱分析(SSA)和长短时记忆网络(LSTM)模型的短时客流预测方法。该模型利用SSA对原始客流数据进行嵌入、分解、分组、重组,重新划分为趋势、周期、残差三部分,其中残差部分即视为噪声,将去噪后的两个部分作为LSTM模型的输入。并利用上海地铁1号线进出站客流数据对模型的有效性进行验证。结果表明,SSA-LSTM混合模型的预测精度更高。 | 任鹏达 左忠义 陈洪涛 | 2022 | 武汉理工大学学报2022，44，2： | 2 |
| 16 | 基于历史数据的轨道交通站内客流预测模型显示文摘轨道交通站点内客流实时状况是进行客流管控与应急管理的基础,为实时监测轨道交通网络客流变化,对大客流进行预警,构建了一种基于历史数据的轨道交通站内客流预测模型。首先利用历史轨道交通每个站点的进出站数据,挖掘不同站点分时段客流OD分布估计及到达时间估计,再基于实时进站数据,预测乘客的终点站选择与行程时间,反推演乘客时空轨迹,最终根据乘客时空轨迹分析各个站点的人群动态变化,从而实现轨道交通站内客流预测。以上海市2015年4月份轨道交通客流数据验证了模型的有效性,并采用MAPE、MRD和MPC 3个参量评价模型优劣。结果表明:与实际客流相比,模型对客流变化规律性较强站点(如南京东路站、人民广场站)的预测误差较小,对数据量较少、客流变化随机性较大的偏远站点(如复兴岛站)的预测误差较大。因此,该模型能够实时预测轨道交通的站内客流变化,从而预警轨道交通大客流,以便采取预防性管控措施。 | 沈永发 郑煜 刘辉冉 房志明 张俊 | 2022 | 武汉理工大学学报(信息与管理工程版)2022，44，6： | 2 |
| 17 | 基于经验模态分解的城市轨道交通短时客流预测模型显示文摘目前在城市轨道交通短时客流预测过程中,容易受到乘客、时间等外来因素影响,导致预测准确度相对较低。为此,提出基于经验模态分解的城市轨道交通短时客流预测模型。利用固有经验模态函数进行数据支撑,根据时间特性进行序列分解,分解为时间序列模块。在完成数据收集后,对数据差值进行求解,确定固有经验模态函数的数量,利用权重系数实现权重更新,确保预测过程的稳定性。分解原始客流序列数据,对函数分量加以细化筛选,通过信息筛选和输出利用预测模型实现信息预测。实验结果表明,该模型能够很好地实现数据采集和提取,预测准确度高达98%,预测能力较好,为城市轨道运输工作提供了有力的数据支撑。 | 费延达 李树榜 | 2022 | 现代电子技术2022，45，21： | 2 |
| 18 | 基于EEMD-LSTM-SVR的水质预测模型显示文摘水质指标浓度序列的随机性、非线性、不平稳性极大地影响水质预测的准确性,为此,本文提出一种基于EEMD-LSTM-SVR的水质组合预测方法。首先对数据进行模态分解(选取EMD/EEMD作为模态分解算法),再对分解后的分量进行LSTM神经网络预测,最后在分量重构时采用线性叠加(SUM)或者支持向量回归(SVR)得到最终的预测值。为了验证所提出方法的有效性,选取湘江流域上中下游典型断面进行溶解氧、氨氮等指标进行水质预测。结果表明:相比单一的LSTM神经网络预测方法,采用分解、预测、重构三阶段的组合预测方法精度更高。特别地,采用支持向量回归(SVR)得到的结果明显好于传统线性叠加(SUM)方法。 | 曹文治 苏雅 曾阳艳 刘厚盾 刘利枚 | 2023 | 系统工程2023，41，4： | 2 |
| 19 | 混合模型在网约车出行预测研究中的应用显示文摘网约车出行交通流实时预测是智能交通的重要研究领域,针对网约车出行的交通流特点,提出SSA-LSTM-SVR混合模型对网约车短时交通流进行预测分析。使用奇异谱分析(singular spectrum analysis,SSA),将交通流分解为1个主分量和3个随机分量,根据各分量的不同特征,分别采用长短期记忆神经网络(long-short term memory,LSTM)和支持向量回归(support vector regression,SVR)对不同分量进行预测,并将各分量的预测结果进行权重融合,得到最终的预测值,SSA-LSTM-SVR能够捕捉网约车出行交通流的主要规律及其随机变化趋势,预测结果也能够反映交通流的短期变化。结果表明:与其他基线模型相比,所提出的SSA-LSTM-SVR模型具有较低的预测误差和较高的精度和拟合度,其MAPE平均降低了4%以上,预测精度平均提高了6%以上。 | 帅春燕 王昱翔 许庚 | 2022 | 重庆理工大学学报(自然科学)2022，36，7： | 2 |
| 20 | CEEMDAN-PSO组合优化BiLSTM的公交站点短时客流预测方法显示文摘客流观测数据的非平稳性和选择学习参数的主观性,是影响双向长短时记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)提升客流观测数据的平稳性,用粒子群算法(Particle Swarm Optimization,PSO)优化BiLSTM隐藏层神经元个数、学习率与训练次数;基于Theano和Tensorflow深度学习库Keras,构建了公交站点短时客流预测组合模型CEEMDAN-PSO-BiLSTM,用均方根误差与平均绝对误差进行预测精度检验,并在浙江省海宁市2个公交站点进行了应用.研究结果表明:客流预测精度由高到低依次为CEEMDAN-PSO-BiLSTM、CEEMDAN-BiLSTM、PSO-BiLSTM、BiLSTM和LSTM,2个站点CEEMDAN-PSO-BiLSTM比BiLSTM预测结果的均方根误差分别下降了53.76%和48.36%、平均绝对误差分别下降了45.71%和40.22%,提升数据平稳性与优化学习参数组合改进BiLSTM的CEEMDAN-PSO-BiLSTM模型,能显著提高公交站点短时客流预测精度. | 姚志刚 卢致远 李聪聪 王元庆 | 2023 | 北京交通大学学报2023，47，1： | 1 |
您所在的机构暂未开通此部分的功能，请联系管理员