基于生存分析的智能电网安全告警事件持续时间预测模型

针对目前智能电网安全风险预测系统解释性不强的问题,提出一种基于生存分析中DeepSurv模型的改进模型来预测网络安全告警事件持续时间。为了加快运算速度,模型对原DeepSurv的神经网络部分进行改进。模型基于K-means,提出一种降维算法对输入数据进行降维,通过改进的DeepSurv,获得智能电网安全告警事件持续时间的生存函数,并以此为依据计算C-index与MAPE。通过总耗时、C-index与MAPE这三个指标将模型和原DeepSurv进行比较,发现模型在预测准确率相差不大的情况下,大幅提高了运算速度。此外,由于模型是基于生存分析的,解释性较强,且能够提供网络安全告警事件关于持续时间的生存函数,即关于持续时间的概率预测,对智能电网安全风险预测研究有很大的参考意义。

基于随机生存森林的交通事件持续时间预测

采用随机生存森林模型开展交通事件持续时间分析,克服了传统决策树模型易过度拟合和传统生存分析需限制性假定及识别协变量交互作用的缺陷.该研究基于上海城市快速路网交通事件数据,结合道路几何线形、交通运行、天气状况等数据.原始数据库分为训练数据(80%)和测试数据(20%).分析结果表明事件类型、路段长度、发生地点、剩余车道数、交通流量等变量对交通事件持续时间有显著影响;影响时间预测准确率结果表明随机生存森林模型预测精度显著优于随机森林的预测精度.

基于风险分析的交通事件持续时间预测

采用基于风险分析的参数估计方法,利用嘉兴市辖区高速公路上1 062个交通事件持续时间数据,建立交通事件持续时间的威布尔加速失效时间预测模型.并用265个交通事件数据对模型的预测精度进行检验.检验结果表明,交通事故持续时间预测误差小于30min的准确率为78%,而只考虑持续时间大于10min的抛锚事件时,其持续时间预测误差小于10min的准确率为70%.基于风险分析的方法比仅基于贝叶斯或仅基于决策树算法的预测精度更高,数据利用范围更大.

高速公路危化品事件处置持续时间预测模型

为准确预估危化品事件影响的时间、支撑高速公路危化品运输应急处置,基于危化品运输事故历史数据,构建高速公路危化品事件处置持续时间的预测模型。首先在事故特征分析的基础上,初步选取影响因子;利用Spearman秩相关系数对各因子进行相关性检验,确定危化品特性、危化品泄漏量及所需要驳货车的数量作为模型的输入变量;基于TSK型模糊推理系统,采用ANFIS方法建模;最后采用实例对模型进行验证并作误差分析。结果表明,模型预测结果与实测值吻合良好,且输入参数数目控制在合理范围内,能够为危化品事件救援提供必要的参考。

交通事件持续时间预测的贝叶斯网络模型

交通事件是引发道路交通拥堵的主要因素之一,通过实时交通诱导等手段可以降低其对交通运行造成的影响,而及时准确地预测事件持续时间则是实现有效管控的前提条件。基于MIT打分函数,融合自上而下的网络生长规则,引入蚁群算法寻找最优网络结构,即以S-ACOB算法为核心搭建最优贝叶斯网络模型。增加了节点随机选择机制及局部结构概率选择模式,降低局部最优结果生成概率,确保贝叶斯网络的健壮性。通过实例验证及对比分析,针对观测节点属性完备和缺失的情况,网络模型预测精度分别为76.97%和93.23%,平均预测精度可达87.82%,证明该模型可以有效地预测交通事件持续时间。

基于支持向量机的轨道车站客流高峰期持续时间预测

为了准确地对轨道车站客流高峰期持续时间进行预测,提高轨道车站高峰时期的管理和运营能力,文章采用支持向量机对轨道车站客流高峰期的持续时间进行分类预测和回归预测。研究结果显示:回归预测整体预测结果的RMSE=13、MAE=7,整体拟合度较高,对于极端情况的拟合效果极优;分类预测结果的整体精度达到90.59%,对于极端时段的预测精度达到100%,其他时段预测精度高于85%。该结果表明此方法可以用于轨道车站前期管理时间表的制定和后期具体实施的时间参考,适用于轨道车站客流高峰期持续时间预测,能够提高轨道车站的管理和运营水平。

基于生存模型的城市交通堵塞时间预测研究

城市化是人类进步的必经历程,而交通拥堵又是城市发展过程中的必然阶段,城市经济的发展必然伴随着交通拥堵的出现。该文基于济南市交通情况进行探索性分析,结合交通系统的实时数据情况,考虑时空特征、动态交通流参数等方面,将噪声数据进行分类并依照除噪规则进行数据预处理,针对生存模型的交通拥堵持续时间评估,以济南市为研究对象,选择交通拥堵的研究路段及时段,建立生存模型,提出非参数分析方法,最后,绘制交通拥堵持续时间的生存函数曲线及风险函数曲线,对交通拥堵持续时间进行预测评估。