基于正态信息扩散的新多变量模糊时间序列模型研究

针对目前多变量模糊时间序列研究中小样本问题,文章基于信息扩散技术构建一个多变量模糊时间序列模型,讨论信息扩散系数的变化对模型精度的影响,进而选取2006-2016年人均GDP、能源消费总量的样本数据对中国SO2排放量进行预测,且与马尔可夫模型运行结果进行比较。结果表明:所建模型可以弥补小样本的不足;不同方式确定的信息扩散系数对模型精度存在影响,其中基于两点择近原则确定的h0最优;所建模型的平均绝对误差与平均绝对百分误差率均小于马尔可夫模型,即具有较高的预测精度。

多变量时间序列模糊分割算法在高速公路行车数据中的应用

本文基于Huang提出的道路速度序列,研究了高速公路路段划分问题:选取同一条道路上往返两个方向的行车数据,运用Huang的CTL算法将其转换成道路速度序列;采用Janos Abonyi的多变量时间序列模糊分割算法对由多条道路速度序列组成的多变量时间序列进行模糊分割。分析对高速长途大巴行车数据的实验结果可知,该模糊分割算法可根据车速模糊划分高速公路,从而检测出高速公路中影响车速的关键路段(高速出入口路段、隧道路段、长上下坡等)及其对车速的影响范围。