基于改进RNN和VAR的船舶设备故障预测方法

针对现有的多变量时间序列预测方法不能适用于船舶多设备故障预测的问题,提出一种基于改进的循环神经网络和向量自回归的船舶设备故障预测方法。该方法既能够学习多个变量之间的相互依赖关系和时间序列的长期依赖关系,又有助于减轻传统神经网络对预测时间序列的输入尺度不敏感性。首先,从船舶历史数据库中提取出正常状态数据和故障状态数据,将其多变量时间序列转化为监督学习问题的输入;然后,通过注意力机制捕获船舶多变量之间复杂的相关性;接着,将注意力机制的输出同时作为循环神经网络和向量自回归的输入,分别捕获船舶时间信号的非线性关系和线性关系;最后,将循环神经网络组件和向量自回归组件的输出进行处理后作为最终预测的结果。实验结果表明,提出的预测方法在船舶设备故障预测中训练过程的稳定性高,测试结果的均方根误差低于1.2,从而能更精确地预测船舶设备属性的趋势并避免故障的发生。

不确定交通流实时可视化及短时预测方法研究

构建可配置、易扩展、高开放性的交通流可视化平台的框架并实现基于可视化的决策分析,通过大数据平台处理、存储海量、高频率的交通数据支持下实现交通流信息实时可视化,为交通数据智能分析提供直观展示。在此基础上,提出针对短时交通流预测的思路和方法。

虚拟化绿色智慧交通数据中心关键技术研究

采用基于VMware vSphere的数据中心虚拟化体系方案设计和SDN的高并发多应用SLA的资源管理方法,对数据中心能耗建模及优化,简化基础设施和资源管理方式,减少资源开销,整合资源,节约建设成本,实现智能、灵活、集约的业务调度,实现资源按需分配,提高智慧交通数据中心能源效率、资源利用率和设备能效比,达到绿色节能。