高阶多元马尔可夫链模型的系统预测

文章将高阶方法与多元序列分析方法相结合,提出多元序列的列间互相关函数概念,给出高阶多元模型阶数选择方法,建立了高阶多元马尔可夫链模型,并进行了系统预测的研究。模型应用于相互影响的多元随机序列数据预测中,既能反映链的高阶信息,又能利用随机系统中多个随机序列的交互信息,形成随机序列间的交叉推断的模式,获得较好的预测精确度。

一种新的高阶多元马尔可夫链模型及其应用

马尔可夫链广泛应用于金融、互联网、语言识别、微生物基因等领域。因此提出了一种新的高阶多元马尔可夫链模型,并给出了新模型的参数估计方法,其估计参数仅n(2s+1)+s个,少于传统模型的估计参数个数n(s+1)~2。另外,本文通过数值实验说明了新模型不仅保持了传统模型的预测性能,而且在节省计算资源方面具有较大的优越性。

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型(Traffic Factor State Network, TFSN),考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明:根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。