基于改进模式序列匹配的交通运行指数预测研究

北京市交通运行指数是定量反映北京市路网拥堵状态的重要指标,交通运行状态预测是构建智慧交通系统的重要研究内容.在模式序列匹配算法(PSF)基础上优化预测序列权重,针对交通运行指数的时序相关性,增加了基于反距离权重的时间衰减因子,提高了临近序列在交通运行模式匹配计算中的重要性.实验结果表明:与传统时间序列模型(ARIMA)、深度学习模型(LSTM)和标准模式序列匹配算法进行对比分析,改进的模式序列匹配预测算法有着较高的预测精度,且具有较强的自适应性.

序列模式匹配在大数据流频繁序列异常检测中的应用

在有序的数据流时间序列当中发现异常序列是网络入侵、灾害监测、故障检测、股市分析、医疗诊断等领域当中的重点工作。为此,针对基于相似度、基于偏差以及基于密度的序列异常检测方法存在的检测精度低、效率差的问题,研究序列模式匹配在大数据流频繁序列异常检测中的应用。采用基于线性回归模型和残差分析方法对大数据流进行聚类,根据聚类结果结合分段法提取大数据流频繁序列特征,通过计算序列特征之间的距离实现序列模式匹配对比,实现异常序列检测。最后通过仿真实验测试序列模式匹配在大数据流频繁序列异常检测中的应用效果。实验结果表明,与基于相似度、基于偏差以及基于密度的三种序列异常检测方法相比,在序列模式匹配方法应用下,检测精度提高了2.4%,7.3%,10.1%,检测时间减少了4.1 s,11.7 s,11.4 s。所提序列模式匹配方法更有利于完成序列异常检测。

基于时间序列的音乐流行趋势预测研究

在大数据环境下,对音乐及听众的历史数据进行分析,可以实现对音乐流行趋势较为准确的预测。在STL、Holt-Winters分解模型的基础上,提出TSMP算法。该算法从长期趋势和周期两方面进行分析,对长期趋势编码和分类并基于类别最优值选择法对音乐流行趋势进行预测。基于TSMP算法,进而提出E-TSMP算法,该算法基于子序列模式匹配法及对近期发布新专辑的附加处理,实现更精准的预测。在清华大学和阿里云天池大数据竞赛平台承办的"2016中国高校计算机大赛——大数据挑战赛之阿里音乐流行趋势预测"比赛中,参赛团队凭借提出的E-TSMP算法对2016年9月~10月艺人的播放量实现了较好的预测,并在此次比赛中夺得亚军。

基于感应线圈的骑线车辆检测方法

线圈检测器是车辆检测中使用最广泛的一种,但现有线圈检测器无法判别骑线车辆,严重影响车辆检测的准确性.文中从线圈检测器的检测原理入手,运用涡流效应分析激励频率对检测数据的影响,从而推导出相邻车道线圈检测器之间的数据换算公式.进而在相邻线圈检测数据互换的基础上,提出了一种基于分段时间序列模式匹配的骑线车辆线圈检测方法.该方法可有效判断经过车辆是否骑线行驶,提高了现有车辆检测器的检测准确性和数据可靠性.

基于感应线圈车辆检测器的车辆转弯信息获取

利用感应线圈车辆检测器,研究基于分段序列相似度的转弯车辆线圈感应数据分析方法,通过对转弯车辆和直行车辆的感应数据联合分析,获取车辆的转弯信息,与车型分类结合,为交通信息采集提供了更为丰富的数据,提高交通调查和交通信息采集的效率和准确性。