融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测.首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器数据对3种融合模型进行了验证,对比工作日及非工作日2种交通流状态下3种模型的性能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2种模型,预测精度及稳定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.

基于数据驱动的超短期风电功率预测综述

以数据驱动为主要特征的超短期风功率预测是大规模风电并网运行的关键基础之一。按照预测流程,从数据挖掘、机器学习算法及风速-功率曲线等角度分析现有数据驱动方法的思想及局限性。总结离线数据驱动/深度学习算法和在线应用的预测思路,给出风电场数据筛选的评价手段,归纳深度学习算法的最新研究进展。最后分析超短期风功率预测的当前定位:“由模型驱动向数据驱动过渡,由机器学习算法向深度学习算法转移”,并指出合理的算法更迭和深层次的数据融合将是未来的研究趋势。

基于多源数据融合的城市道路旅行时间预测

城市道路旅行时间预测是城市道路交通管理的重要支撑。研究了利用多源数据预测城市信号控制主干道旅行时间的方法。以2015年8月某路段的视频检测器及微波检测器的2种数据为基础,采用回归拟合的方法探究信号控制主干道路段旅行时间与断面流量之间的关系,2段式的线性拟合结果可以较好地拟合信号控制主干道路段旅行时间与断面流量的关系。以BP神经网络模型为基础,从输入层入手,采用直接输入2类数据、应用拟合关系输入拟合数据等方法,综合考虑2类数据之间的相关性,建立了融合2类检测数据进行旅行时间预测的多个模型,对7种不同输入的神经网络预测模型进行了测试、对比和分析。研究结果表明,相比于时间序列、支持向量机、k近邻和历史平均方法而言,应用拟合关系的2类数据融合的BP-2神经网络模型具有更高的预测精度,MAPE为13.04%,表明BP2神经网络模型能够实现较好的旅行时间预测效果。

执勤行车时间的KMP-RBF融合预测方法

针对执勤车辆沿某一路径行驶时长难以预测的问题,文中提出一种KMP-RBF融合方法,采用GPS定位、悉尼自适应交通控制系统(SCATS)线圈作为融合信号源,建立路况信息选择融合模型,将模糊推理知识表达、MAPSO算法寻优和RBF网络训练相结合,自适应优化系统关键参数,从训练数据库匹配适用时间、空间数据.实验中,使用交通监控系统实测实验用车行驶时长数据,并与预测数据进行对比,从误差率、算法迭代与精确度方面证明文中方法是高效而可靠的.

基于Stacking多算法融合模型的数据资源定价方法训练流程如下

[目的/意义]针对现有数据资源定价标准模糊、交易规则缺失、买卖双方信息不对称的问题,提出基于Stacking多算法融合模型的数据资源定价方法。[方法/过程]首先,基于四分位法及Box-Cox方法对样本数据进行预处理,剔除异常数据的同时调整数据分布,并基于Lasso算法以均方根误差最小为目标完成特征筛选;其次,基于Pearson系数选取最优算法组合,构建基于Stacking集成学习融合多种机器学习算法的数据资源价格预测模型;最后,以国信优易数据平台交易数据为样本进行算例分析。[结果/结论]相较于单算法模型及其他集成算法模型,XGBoost、SVR、KNN、MLP融合模型的预测精度及性能均明显提升;实现了数据资源自身和市场的双向反馈平衡,形成闭环的价值链,为数据资源定价提供参考。

基于混合神经网络的多时间尺度负荷预测

精准的负荷预测对于电力系统保持经济、可靠运行有十分重要的意义,电力系统规划、运行、电力市场竞价系统的设计等都需要不同时间尺度的负荷预测结果,然而现有研究大多围绕一个时间尺度展开,单一模型难以满足实际工程需求。造成这一现象的原因在于模型预测结果的误差会随着预测时间尺度的延长而出现不同程度的增加,预测难度大,并且影响负荷的因素大多分布在不同时间尺度的数据上,难以充分利用。针对以上问题,本文在考虑负荷曲线的定积分与对应时间内用电量之间约束关系的前提下,提出融合多时间尺度数据的混合神经网络模型。该模型的损失函数同时考虑了点预测结果的误差以及负荷曲线定积分的物理意义,增强了负荷时间序列中各个元素之间的几何相关性。并且利用神经网络将短尺度数据提取为抽象的综合数据后,与长尺度数据拼接组成新的特征向量,用于预测不同时间尺度的负荷值。算例结果表明,本文提出的模型在实际的变压器负荷数据上能够实现多个时间尺度的预测并且有效提高预测精度。

考虑降雨影响的短时交通量预测研究

针对以往短期交通量预测模型都忽略了非交通因素对交通量预测干扰和影响的问题,将降雨因素作为外界影响交通量的特征纬度,构建了考虑降雨因素条件下的神经网络预测模型.通过对比分析常规深度学习模型与考虑多源数据变量的预测模型精准度的差异性,所建立的R-DBN、R-LSTM模型预测精度表现更为优异.这表明多源数据的融合可以一定程度上提高深度学习模型的准确性,在后续的相关研究中,可以将更多影响交通量的非交通因素考虑在内,提升预测模型的推广和泛化能力.

多元交通資料融合進行旅行時間預測——以臺中港路為例

利用倒傳遞類神經網路,單以資料本身進行路段旅行時間預測,避免建立高複雜度的模式以及環境所產生的干擾下,建立不失精準度的預測模式。研究過程中發現:若僅考量路段中的車輛偵測器資料用以預測旅行時間,其預測精準度較劣於融合車輛偵測器資料及公車旅行時間資料之精準度,且發現預測精準度於尖峰時段較準確,故可推論使用一種以上的多元探測器所得之交通參數資料且於車流量較大之路段皆可提高路段旅行時間預測之精準度。