基于灰色优化GOM模型的道路交通事故预测

道路交通事故的发生存在诸多不确定因素,为研究其内在规律,掌握其发展趋势,对道路交通事故进行有效预测具有重大意义。以福建省2008-2012年道路交通事故次数为例,应用灰色系统理论,构建道路交通事故次数灰色GM(1,1)预测模型和灰色优化GOM模型,对事故原始数据经生成处理后预测分析,通过对比两者所得出的相关指标,结果表明灰色优化GOM模型较灰色GM(1,1)模型的预测精度高,适合对未来道路交通事故进行预测。

改进GOM模型在我国矿业安全事故预测中的应用

应用反向累加生成对原始序列进行预处理,并以此建立改进的GOM（1,1）模型,再根据我国2008～ 2013年矿业安全生产事故统计数据,对我国矿业安全生产事故总数进行建模分析,给出未来事故发生的预测值,并希望能为中国安全生产管理实践工作提供决策依据,使“先预再防”的安全理念加以推广.

基于灰色优化GOM模型的浙江海域事故预测

为提高海上交通事故的预测精度,以浙江海域2008—2014年一般等级及以上事故数据作为基础,引入逆向累加的灰色优化GOM(1,1)预测模型对事故数据进行预测,该模型弱化了历史数据的权重值,以最新数据作为初始观测数据,与传统GM(1,1)相比,GOM(1,1)预测模型将系统误差进行前移,解决了传统GM(1,1)预测模型随着时间序列向后推移,系统误差越大的问题。并通过对浙江海域2015年预留的海事事故数据进行了预测,验证了GOM(1,1)模型的预测随着时间序列的推移精度越来越高,且优于传统的GM(1,1)模型的预测精度。

GOMS模型在考试登分系统中的应用研究

首先介绍了GOMS击键模型,该模型表明用户完成某个界面操作任务的时间是各个串行基本操作所需时间的总和。GOMS模型中定义了击键(K)、指向(P)、归位(H)、心理准备(M)和响应(R)几种基本操作。GOMS还定义了几个规则用于判断什么时间点用户会停下来进行无意识的心理活动。根据GOMS模型,我们对涉及大量长时间重复性界面操作的考试登分系统的用户界面进行了定量分析,并且根据定量分析的结果提出改进的考试登分系统用户界面以提高登分的效率和准确度。

人机交互的GOMS模型与EPIC模型的比较

目的分析GOMS模型与EPIC模型在可用性评估中的应用,为当前电子产品的可用性评估提出新的建议。方法通过回顾GOMS模型与EPIC模型的基本概念及其应用性研究,对顺序性解释用户行为的GOMS模型与并行性解释用户行为的EPIC模型进行详细的分析和比较。结论将GOMS模型与EPIC模型应用到可用性评估过程中,有助于对用户执行任务的行为进行定量预测,从而设计出更适合使用的用户界面。

遗传算法及其在GOMS模型反演中的应用效果分析

几何光学交互遮蔽模型 (GOMS)是一种重要的遥感前向模型 ,它较好解释了“热点”现象 ,具有较强的前向模拟能力。但由于其固有的非线性性 ,给反演带来困难。本文尝试采用近年来兴起的并行随机全局寻优算法 遗传算法对GOMS进行反演 ,并针对传统遗传算法的不足进行了改进。在使用相同先验知识的条件下 ,将该算法与目前最有效的约束非线性最优化确定性搜索算法 逐步二次规划法对GOMS模型的反演效果进行了比较 ,结果表明 ,逐步二次规划法搜索效率较高 ,但结果受初值的影响很大 ,初值选择不当 ,易收敛于局部最优解 ,而遗传算法具有全局最优的收敛效果 ,但局部搜索效率较差。在某些对精度要求不高 ,而对搜索效率要求较高的场合 ,可以采用遗传算法与确定性搜索算法相结合的混合遗传算法 ,以提高算法的搜索效率 ,获得较为满意的效果。

反向累加生成及灰色GOM(1,1)模型

相对传统累加生成提出反向累加生成的定义 ,给出灰色 GOM( 1,1)模型 ,为灰色模型提供新的生成方法。

反向累加生成及灰色GOM(1,1)模型

相对于传统的累加生成提出了反向累加生成的定义 ,给出了灰色 GOM(1,1)模型 。

反向GOM(1,1)模型参数的直接求解方法

给出反向GOM(1,1)模型的另一种形式的时间响应函数表示法和模型参数的直接求解方法;并对一些相关结论进行了讨论。

反向GOM(1.1)模型及其在农药降解分析中的应用

给出了反向GOM( 1 1 )模型的一种简单的直接计算方法 ,并结合理想模型、实际模型将该方法与文[6 ]GOM( 1 1 )模型、GM( 1 1 )模型的计算方法进行了对比。结果表明 :文中给出的计算方法精度优于后两者 ;GM( 1 1 )模型同样也适用于单调递减数据列的拟合。

两个初值修正灰色GOM(1,1)模型及其等价性研究

根据反向累加生成GOM(1,1)模型的初值取x0(1)(1)的情况,提出两个不同初值修正形式x0(1)(1)+β1,β2x0(1)(1),利用原始序列预测值的误差在最小二乘意义下最小准则,得到两个初值修正的优化GOM(1,1)模型,并证明了这两个初值修正GOM(1,1)模型的等价性和极高的模拟精度.

GOMS模型在Android手机应用程序中的应用研究

将首先对GOMS模型进行概要介绍,接下来,在Android平台上设计和实现一个温度转换器,并使用GOMS模型对此温度转换器的界面进行定量分析,最后改进温度转换器界面,重新使用GOMS模型进行定量分析,结果表明,改进后的界面减少了用户操作的时间。

基于GOMS模型的机载指控系统人机界面优化研究

针对目前机载指控系统软件功能越来越多、使用方式越来越复杂的应用现状,提出其面向任务的可用性问题,并结合实际执行的任务,运用GOMS模型原理,对该类软件频繁操作的任务进行定量分析。最后,根据分析结果指导该任务人界面操作的优化,并为今后界面的设计和优化提供参考依据。

离散GOM(1,1)模型及其应用

基于反向累加生成的灰色GOM(1,1)模型,给出了灰色离散GOM(1,1)模型的建模方法.解释了离散GOM(1,1)模型比原始GOM(1,1)模型的优越性,证明了离散GOM(1,1)模型不仅具有白化指数律,而且具有线性不变性.最后,利用给出的一个实例,证明了离散GOM(1,1)模型具有较高的拟合和预测精度.

基于BHR-GOMS行为模型的汽车人机交互界面操作绩效研究

行为模型研究是分析用户对产品操作行为的基础。通过分析GOMS及其衍生的行为模型的不足和优势,采用心理学和用户研究交叉的研究方法,提出了一种适用于产品人机交互界面设计的BHR-GOMS行为模型,采用任务分解、逐步细化及量化计算的方法设计和评估人机交互界面。同时,将模型用于评估汽车车门开启和锁止行为中不同操作方式的绩效,并运用用户采样分析的实验方法验证了该模型的正确性。

GOM(1,1)模型背景值构造的重新改进

GOM(1,1)模型同GM(1,1)模型一样存在背景值构造的不足.分析已有以累加序列为齐次指数序列推导出的背景值构造形式存在的问题,以背景值几何思想建立两种加权背景值构造,分别为齐次指数序列下的定权背景值构造和近似齐次指数序列下的变权背景值构造.实例应用结果显示加权背景值构造下的GOM(1,1)模型不仅可以完全拟合齐次指数序列,近似齐次指数序列下建模的预测精度也提高了.

虚拟现实人机交互的eGOMS模型研究

采用心理学和计算机技术相交叉的研究方法,对人机交互中人的认知过程的人类视知觉特征和心理加工机制与特点等进行了细致的探讨;结合虚拟环境中人机交互过程的不确定性、连续性和实时反馈性以及交互可用性评价指标的多样性等特点,提出了适用于虚拟现实人机交互的扩展GOMS(eGOMS)模型,克服了传统GOMS模型要求精确的用户操作、交互界面与实际应用相分离及评价指标单一的不足.以eGOMS模型为基础对PIBG交互范式进行了评估,PIBG为VR用户界面提供自然、隐式交互的手段,从而大大降低了用户在虚拟环境下交互的认知负荷.

基于GOMS模型的语音手势交互效率评估

针对语音、手势等新型交互手段在指控系统应用中存在的交互效率难以评估的问题,在分析传统二维图形用户界面GOMS交互效率评估的基础上,提出了一种面向增强现实指挥的人机交互GOMS模型,该模型结合增强现实环境下三维界面、多通道交互等特点进行改进设计,通过分析不同交互方式使用时间及不同交互场景对交互操作时间的影响,预测用户完成某项任务所需的时间,量化不同交互方式的绩效,为交互系统优化设计提供依据和参考。

基于GOMS模型的购物流程研究

在交互设计中应用较广的模型是GOMS模型,GOMS模型是分析用户复杂性的建模技术,用于分析用户的行为。GOMS模型主要用于指导第一代(命令行)和第二代(WIMP)人机交互界面的设计和评价。在GOMS模型理论基础上进行了归纳分析,发现GOMS的任务分析能够很好的应用在购物流程的分析过程中。进一步研究了购物流程中的情景设计、任务金字塔、任务过程和决策分析,从而优化购物流程。

基于GOMS模型的科学发现学习认知任务分析

文章首先将科学发现学习的认知要素划分为实际系统和科学理论模型,以及实验空间和假设空间。然后,运用GOMS模型对科学发现学习进行认知任务分析,将其分解为理解问题、探究局部模型、合成全局模型和反思评价四个子目标,详细分析了其中的基本操作与方法,以及在此过程中学生的工作记忆和长时记忆是如何发展变化的。由此建立的认知模型为基于计算机的科学发现学习环境的设计奠定了必要的理论基础。