基于大数据技术的城市道路交通短期流量预测研究

车辆数量的增长为城市道路交通带来了较大的压力,很多城市经常出现道路交通拥堵的情况,为城市的发展带来了负面影响,导致了较为严重的汽车尾气污染问题,影响了城市的运行效率。智能交通技术是缓解城市道路交通拥堵问题的重要手段,该技术对道路交通流量进行预测,对车辆进行引导,缓解交通压力。而对城市道路交通的流量进行预测需要强大的计算平台以及精准的预测模型支撑。因此,本文基于大数据技术研究城市道路交通的短期预测问题。

空中交通短期流量管理的动态网络流模型初探

由于空中交通短期流量的优化调度已经成为社会关注的重点内容,有必要加强对其动态行为的研究,而通过建立相关的数学模型能有效实现这一目的.本文主要围绕问题分析、数学模型的建立、模型改进、分析结果四个方面展开讨论,针对现阶段对空中交通短期流量管理的需求,建立动态网络流模型,同时结合现有空中交通问题进行模型的改进,可充分发挥数学模型在空中短期流量控制中的应用效果,有利于飞机领域的良好发展.

短期经鼻高流量加温加湿氧疗与无创呼吸机辅助通气在呼吸衰竭患者中的运用效果对比

目的研究分析短期高流量经鼻导管加温加湿氧疗(High Flow Heated Humidified Oxygen Therapy Via Nasal Catheter,HFNC)与无创呼吸机辅助通气在呼吸衰竭患者中的运用效果。方法随机选取2022年6月—2023年9月晋江市医院收治的50例呼吸衰竭患者为研究对象,以不同治疗方式分为两组,各25例,对照组予以无创呼吸机辅助通气,观察组予以短期HFNC治疗,比较两组不同治疗时间段的基础体征、动脉血气以及并发症发生率。结果治疗后,观察组心率、呼吸频率及平均动脉压均优于对照组,差异有统计学意义(P均<0.05)。治疗后,观察组血氧分压值、血二氧化碳分压值与血氧饱和度值均优于对照组,差异有统计学意义(P均<0.05)。观察组并发症发生率(8.00%)低于对照组(32.00%),差异有统计学意义(χ^(2)=4.500,P=0.033)。结论短期HFNC用于呼吸衰竭患者的辅治,较无创呼吸机辅助通气更有助于改善患者的基础体征及动脉血气,减少并发症发生。

空中交通短期流量管理的动态网络流模型

针对优化调度空中交通短期流量的迫切需求 ,研究空中交通管制区的网络结构和确定容量条件下空中交通流的动态行为 ,给出了空中交通短期流量管理的多品种动态网络流模型的数学描述 (ST- TFMP) ;并就管制区内现有飞机的疏散问题对原模型进行了改进。利用北京管制区某日高峰飞行时段的到达流量实际数据 ,在不同场景下对模型进行了仿真验证 。

基于K近邻模型的空中交通流量短期预测

为了准确预测空中交通短期流量,减轻空管协调压力,基于K近邻算法构建了空中交通短期预测模型。首先,通过多次取K值比较相对误差来确定合适的K值。之后,对原有的K近邻模型进行改进,引入空间参数,提出了3种状态向量组合的K近邻模型:时间维度模型、向台航路-时间维度模型与时空参数模型。以某扇区雷达数据对该模型进行检测,结果表明:同时引入时空参数的K近邻模型误差最小,平均为14.16%;基于指数权重的距离衡量方式均能达到预测精度优化的效果;高斯权重预测法在时间维度模型下优于反函数法,引入空间参数则反之;指数权重距离下的反函数法预测的时空参数模型误差为13.94%。改进后的K近邻模型对不同流量情况都具有普适性,预测结果可为空中交通流量管理提供理论参考。

基于APSO-SVR的山岳风景区短期客流量预测

根据山岳风景区短期客流量小样本、非线性等特征,本文提出基于自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)的支持向量回归(Support Vector Regression,SVR)模型,融合SVR处理小样本、非线性预测特性和APSO优化SVR参数的能力对山岳风景区短期客流量进行预测。来自山岳风景区黄山2008年～2011年暑期相关日数据的验证结果表明:与PSO-SVR、GA-SVR和BPNN等模型相比,APSO-SVR模型的预测准确性更高、误差更小,是进行山岳风景区短期客流量预测的有效工具。

基于维度加权的残差LSTM短期交通流量预测

基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。

混沌局域预测法在网络流量短期预测中的应用

网络流量数据表现出一定的混沌特性,而在传统的混沌预测算法中,使用欧氏距离衡量相空间中相点间的相关性。由于欧氏距离的局限性,在高维相空间中,传统混沌预测算法的精度迅速下降。使用夹角余弦取代欧氏距离,作为判别相点间相关性的标准;并将相点视为向量,以向量的模和夹角为优化目标,进行预测参数识别。将以上算法应用于网络流量数据的短期预测,结果表明,在高维相空间中,预测算法的精度得到了明显的提升。

基于分解集成方法的空中交通流量短期预测

为对空中交通流量进行短期预测,提出了基于分解集成方法的组合预测模型。首先,应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法将流量时序数据分解为若干个分量;其次,应用排列熵计算各分量的复杂度,复杂度高于0.5的归为高频分量,其余归为低频分量;然后,高频分量采用BP(back propagation)神经网络算法进行预测,低频分量采用最小二乘法进行预测;接着,对分量的预测结果进行加和集成,得到了最终的预测值。最后,采集实际运行数据进行算例分析。通过比较1~6 h和7~12 h的预测结果,本文模型在1~6 h的均等系数(equal coefficient,EC)值为0.905,准确度更高。与EMD-BP-OLS模型、BP模型进行比较,本文模型的评价指标均优于其他模型。通过比较60、30、15 min时间尺度数据的预测结果,60 min时间尺度的EC值为0.924,准确度最高。结果表明,提出的模型是可行的和有效的,更适用于短期流量预测。

短期高流量氧气雾化吸入在COPD急性加重期的应用

目的探讨短期高流量氧气雾化吸入在慢性阻塞性肺疾病(COPD)急性加重期的应用价值。方法将56例COPD患者,随机分成2组:治疗组(28例)行短期高流量氧气雾化吸入,对照组(28例)行低流量氧气雾化吸入。结果治疗组的各观察项目较对照组均有显著性差异。结论短期高流量氧气雾化吸入在COPD急性加重期的疗效更为显著。

短期高流量加温加湿氧疗在Ⅱ型呼吸衰竭患者中的应用

目的:探讨短期高流量加温加湿氧疗在Ⅱ型呼吸衰竭患者中的应用。方法:随机选取2018年1月~2018年12月本院慢性肺源性心脏病合并Ⅱ型呼吸衰竭患者40例,随机分为两组,一组短期高流量经鼻导管加温加湿氧疗组(HFNC组,20例),另一组为无创呼吸机辅助通气组(NPPV组,20例),统计分析两组患者的HR、RR、SaO2、PaO2、PaCO_(2)、pH、住院时间、住院费用。结果:HFNC组患者的HR、RR、PaCO_(2)均显著低于NPPV组(P<0.05),SaO2、PaO2均显著高于NPPV组(P<0.05),住院时间显著短于NPPV组(P<0.05),住院费用显著低于NPPV组(P<0.05)。结论:短期高流量经鼻导管加温加湿氧疗在慢性肺源性心脏病合并Ⅱ型呼吸衰竭患者中的应用效果类似于无创呼吸机辅助通气,但在治疗过程中患者耐受性更好,不影响进食、说话,在使用期间需要间断时间更少。

城市短期交通流量预测方法的探讨

根据实际观测得到的交通流量数据,运用灰色预测模型、神经网络以及最小二乘拟合等三种交通流量预测模型,对上海市延安东路隧道浦西段入口处短期车流量进行短期的预测。计算结果表明,神经网络模型的精度最高。最后提出一种根据短期交通流量预测结果的人工智能解决交通拥堵的方案。

基于VMD-LSSVM的扇区流量短期预测

对扇区流量进行短期预测,是精准实施扇区流量优化和管理措施的前提。基于分解集成预测方法论,建立了变分模态分解-最小二乘支持向量机(Vibrational mode decomposition-least square support vector machines,VMD-LSSVM)预测模型。首先,应用变分模态分解(Vibrational mode decomposition,VMD)方法将扇区流量时序数据分解为若干个模态;然后,使用最小二乘支持向量机(Least square support vector machines,LSSVM)模型分别对模态进行预测;接着,对模态的预测结果进行加和集成,得到了最终的预测值。算例计算结果显示,针对60 min统计尺度流量时间序列,VMD-LSSVM模型在1~6 h的均等系数(Equal coefficient,EC)值为0.97,在7~12 h的EC值为0.94;与差分自回归滑动平均模型(Autoregressive integrated moving average model,ARIMA),反向传播(Back propagation,BP)神经网络和LSSVM单一模型相比,VMD-LSSVM模型1~6 h的EC值分别提升了11.5%、7.8%、4.3%;与完整聚合经验模态分解(Compete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-LSSVM、CEEMDAN-BP和VMD-BP相比,提升了2.1%、6.6%、5.4%;与30 min和15 min统计尺度相比,的EC值分别提升了6.6%和19.8%;针对时间普适性的8次实验,EC值均在0.94以上,针对27个扇区普适性的实验,有24个扇区的EC值在0.9以上。算例结果表明,VMD-LSSVM模型具备良好的预测性能和较好的普适性,用于扇区流量短期预测是可行的和有效的。

基于GA-SVR模型的短期交通流量预测方法研究

为了提高短期交通流预测精度,寻求最优交通流分组策略,通过对短期历史交通流量数据的分析,运用遗传算法优化支持向量回归机的惩罚参数、核函数参数和不敏感损失函数3个参数,构建了GA-SVR模型。首先对采集的数据采用算术平均值进行了降噪处理,然后根据交通数据特征分为连续5个星期五时间、相邻前5个工作日和当天3种时间周期序列,通过不同时间周期序列确定了最优的训练样本集。最后结合采集的数据进行了验证,并且与传统SVR模型进行了精度对比。结果表明:GA-SVR模型预测精度优于传统SVR模型,且基于当天数据构建的训练样本集总体预测精度最高。

细节护理与非湿化短期低流量吸氧用于腹腔镜腹股沟斜疝修补术患儿中的临床效果

目的 探讨细节护理与非湿化短期低流量吸氧用于腹腔镜腹股沟斜疝修补术患儿的临床效果。方法 选择2021年1-12月在我院小儿外科住院行腹腔镜腹股沟斜疝修补术患儿120例,随机分为对照组(60例)和观察组(60例)。对照组患者给予湿化短期低流量吸氧方法治疗,观察组患儿给予非湿化短期低流量吸氧治疗,两组均在治疗期间配合细节护理。比较两组患儿不适症状、缺氧改善情况、血氧饱和度、呼吸频率、心率和护理满意度情况。结果 吸氧前,两组患儿的SpO_(2)、呼吸频率、心率比较差异无显著性,P均> 0.05。吸氧后,两组患儿的SpO_(2)比较差异有显著性(P<0.05),而两组呼吸频率与心率比较差异无统计学意义(P>0.0)。对照组患儿的缺氧症状改善率为83.33%,观察组患儿的缺氧症状改善率为85.00%,两组患儿的缺氧症状改善率差异无统计学意义(χ^(2)=0.063,P<0.05)。吸氧后,观察组患儿的恶心发生率明显高于对照组,差异具有统计学意义(P<0.05)。对照组患儿护理满意度为86.67%,观察组患儿护理满意度为98.33%,观察组患儿护理满意率高于对照组(χ^(2)=0.032,P<0.05)。结论 细节护理及非湿化短期低流量吸氧应用于腹腔镜腹股沟斜疝修补术的患儿可保证其临床效果和满足患儿及家属医疗需求,适合临床推广应用。

基于堆叠LSTM神经网络的短期交通流量预测

短期交通流量预测是各种智能交通场景中的关键任务之一.文章提出了一种堆叠长短期记忆(LSTM,Long Short-term Memory)神经网络来执行此任务.该方法以堆叠的结构增加神经网络的深度,可增强对复杂的线性和非线性函数的拟合能力,从而提高预测的准确性.在四个典型的基准数据集上进行了大量的实验,结果表明所提出方法优于常用的机器学习和经典的LSTM方法.

独立分量分析在短期交通流量预测中的应用

传统短期交通流量预测方法都基于相同的预测模型直接对总体流量进行预测,总体流量数据中含有若干个分量,不同分量使用同一个预测模型,预测模型无法符合每一个分量数据的变化规律,导致预测结果精确度不高。为了提高流量预测精度,节省预测时间,改善传统预测方法的不足,将独立分量分析方法应用到短期流量预测中,对自回归滑动平均(ARMA)预测模型进行了改进。首先,对去除周期分量的高速公路交通流量数据进行独立分量分析,将其分解成若干个正交独立分量,减少分量关联性带来的预测误差;然后,对不同的独立分量分别构建适当阶数的自回归滑动平均模型,即对不同分量进行单独预测;最后,用最小二乘法求解独立分量分析中的混合矩阵,通过混合矩阵将独立交通分量的所有预测值准确地重构回最终需要的交通流量预测值。结果表明,该方法与直接自回归滑动平均模型预测法和经验模态分解法相比具有更高的预测精度和更短的计算时间。

特征分离编码的景区短期客流量预测模型

为增强景区科学管理、缓解交通压力、减少安全隐患、提升游客体验,提出基于特征分离编码和注意力机制的网络模型(feature separation encoding and attention mechanism network,FSEAMNet)预测景区短期客流量。该模型包含序列到序列(sequence-to-sequence,Seq2Seq)结构,将不同分布规律的特征进行分离并独立编码,融合成最终的编码向量序列。在每个解码时刻,注意力机制将编码向量序列重新组合成一个上下文向量,解码器从上下文向量解码出未来的游客数量。通过真实的景区数据库数据构建训练集、测试集。实验结果表明,与其它模型相较,FSEANet的预测误差最多可下降82.80%,该模型在工程应用案例分析中对未来一周客流量预测的每日相对误差均在10%以下。所提模型能对实际景区未来短期客流量实现较准确的预测。

基于支持向量回归的台湾旅游短期客流量预测模型研究

本文在分析了短期客流量影响因素的基础上，从平常日客流量与节假日客流量两个角度出发，对基于支持回归向量的台湾旅游短期客流量预测模型进行了研究，并提出了具体的注意事项，希望能够为有关人员提供参考。

基于Eurocat-X系统实时运行数据的短期空中交通流量预测

在对EuroCat-X系统实时运行数据进行深入分析的基础上,提出一种新的短期流量预测模型,与现有模型相比,它利用EuroCat-X系统强大的计算能力和丰富的信息资源,减少了自身的计算量和复杂度,而且从空中交通管制的角度直接、迅速获得航班动态更新的信息,提高了实时性,然后在REC数据分析系统上对该模型进行了实现,并将预测结果与实际情况进行对比,分析误差产生的原因。