基于组合深度学习的轨道交通短时进站客流预测模型

针对轨道交通短时进站客流考虑不充分和特征学习不全面而导致预测精度不高的问题,选取客流特征、天气、空气质量和道路交通拥堵指数等多个因素,提出了一种基于组合深度学习的轨道交通短时进站客流预测模型(CNN-ResNet-BiLSTM)。基于卷积神经网络(CNN)对多因素客流时间序列进行自动提取,在CNN网络中插入多个残差神经网络(ResNet)来加深网络深度,利用双向长短时记忆神经网络(BiLSTM)捕捉前后两个方向的客流时间序列特征并得到预测结果;以杭州市全网80个站点工作日的进站客流为例,验证了该模型的有效性。研究结果表明:与常用的几种模型相比,多因素CNN-ResNet-BiLSTM组合模型的均方根误差(E RMS)至少降低了8.50%,平均绝对误差(E MA)至少降低了6.74%,平均绝对百分比误差(E MPA)至少降低了6.52%。

基于ARMA-AE-LSTM模型的进场交通流预测方法

为建立准确有效的空中交通短期流量预测模型,提高终端区管理效率,以进场交通流为对象进行研究。首先采用自回归移动平均(autoregressive moving average,ARMA)模型对流量时间序列进行初步线性预测,然后通过长短期记忆网络(long short term memory,LSTM)模型对线性预测后的残差序列进行非线性修正预测。考虑到冗余特征会降低LSTM模型预测精度的问题,采用自编码器(autoencoder,AE)模型对LSTM模型的天气以及流量特征输入进行自适应压缩优化,最后设置对比实验对ARMA-AE-LSTM模型的准确性、鲁棒性以及时效性进行验证。实验结果表明:预测绝对误差在1.3架以内的占比达到75%;LSTM模型的平均每轮迭代时间降低为1.014 s;与其他常用深度学习预测模型相比,ARMA-AE-LSTM模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及决定系数(r-squared,R2)评价指标分别改善了45.98%~67.66%、48.56%~67.35%、5.18%~21.07%;恶劣天气影响下,ARMA-AE-LSTM模型的鲁棒性更好。由此可见,该方法能够准确有效快速的预测空中交通流量。

时空相关的道路网络短时交通流预测模型

为有效解决复杂路网短时交通流预测问题中涉及的时空特征挖掘问题,提出一种基于改进长短时记忆神经网络(Improved Long Short-Term Memory, ILSTM)的交通流预测模型.首先,通过改进的遗传算法对长短时记忆神经网络(Long Short-Term Memory, LSTM)模型初始参数进行优化获得最优参数组合,解决LSTM初始参数设置对输出结果影响较大的问题.其次,针对复杂路网多路段交通流预测中遇到的空间特征提取问题,通过挖掘相关路段对目标路段交通流预测的影响程度,重新构建LSTM模型的损失函数,采用路网中相关路段对目标路段的影响系数,以损失函数输出值最小为终止条件,构建ILSTM模型.最后,选择加州公路局交通数据进行模型验证实验,采用遗传算法优化LSTM模型(Genetic Algorithm-LSTM, GA-LSTM)和单纯LSTM模型,以及皮尔森相关系数与LSTM组合模型(Pearson Correlation Coefficient-LSTM,PCC-LSTM),对工作日和周末数据的多次实验结果进行对比分析.实验结果表明:ILSTM模型能够充分考虑复杂路网交通流的时间和空间特征,预测平均误差约为1.16%,在收敛效率和预测精度方面均优于其他模型.

级联式气-液旋流分离器流动特性数值研究

为探究级联式气-液旋流分离器流场特性,了解短路流这一特殊流型对其性能影响,采用雷诺应力模型和离散颗粒模型对气、液两相流动特征进行数值模拟,通过Q准则对涡流特征进行识别。研究结果表明,级联式气-液旋流分离器一级旋流管内流动特性与传统旋流分离器相似,增加二级旋流管使级联式气-液旋流分离器内形成了大量的局部二次涡流。当入口气速为7 m/s时,级联式气-液旋流分离器中一级旋流区内短路流流量高达入口流量的70.28%;增设二级旋流管对改善分离器性能具有重要作用,两级分离后级联式气-液旋流分离器对直径6μm以上的液滴能够实现完全分离。本研究为气-液旋流分离器的结构开发和级联式气-液旋流分离器的应用提供了思路和基础数据。

基于时序聚类CEEMDAN-LSTM的轨道短时客流预测

目的:高效精确的短时客流预测是城市轨道交通运营管理的重要前提,为提高短时客流预测精度,提出一种基于时序聚类的CEEMDAN-LSTM组合模型。方法:以DTW距离为度量标准,采用Kmeans算法对客流时序进行分类,在此基础上通过CEEMDAN算法进行时序分解以弱化样本噪声干扰,再将分量输入到LSTM模型中进行预测。结果:CEEMDAN-LSTM模型在3类客流时序下的预测误差均小于其他4个基线模型,并能有效反映短时客流的变化趋势;考虑时序聚类的预测模型的预测精度与时效性均优于不分类下的预测模型。结论:以合肥南站地铁的短时进站客流数据为例进行实证分析,证实客流时序聚类对预测精度提升的贡献,并与SARIMA、RF、XGBoost、LSTM等4个预测模型比较,CEEMDAN-LSTM模型具有较高的预测精度,且能有效反映实际客流曲线的变化趋势。

基于改进LSTM的城市轨道短时流量预测研究

针对LSTM应用于城市轨道短时流量预测存在的模型参数确定困难、对预测精度影响大的问题,采用改进的BA算法对模型参数进行优化。对传统BA算法,采用自适应策略来动态调整脉冲频率和蝙蝠速率,同时蝙蝠位置更新模型中引入随机扰动项,提高了BA的优化性能。采用BA对LSTM参数进行优化,提出了基于改进LSTM的城市轨道短时流量预测模型。将提出的模型应用于郑州地铁1号线,通过和BP神经网络预测模型、LSTM预测模型的对比,验证了所提出的改进LSTM预测模型具有更高的预测精度。

多用户复杂网络信息流短时预测方法

当前的多用户复杂网络信息流短时预测模型多为单一结构,预测的范围较小,为此提出多用户复杂网络信息流短时预测方法。根据实时的信息流预测需求及标准的变化,设定最大预测误差范围,采用多阶的方式构建多阶短时预测模型,建立短时模糊预测流程,构建多用户复杂网络信息流短时预测模型,采用自适应修正处理,实现信息流预测。测试结果表明,设计方法的信息流的短时预测F值均可以达到0.95以上,表明该方法的泛化能力与针对性均得到增强,可以大范围地精准预测信息流。

基于多维可预知特征的TCN-LSTM城轨短期客流预测

地铁客流量波动受众多因素影响,准确的客流预测数据有利于制定更高效的行车控制方案和客流管控方案。为提高客流预测精度,提出一种基于多维可预知特征的时序卷积神经网络-长短期记忆神经网络模型(TCNLSTM)地铁短期客流预测方法。考虑外部因素的影响,引入Spearman相关系数分析并提取日期、天气等可预知特征及其状态集,以提升预测精度,缩小特征空间,克服了冗余特征数据导致的模型过于复杂问题;通过融合时序卷积神经网络(TCN)提取的客流时间序列特征和可预知特征状态集构建了长短期记忆神经网络(LSTM)层输入,组合模型学习客流与外部影响因素的长短期依赖,从而实现常规日、节假日、不同天气等多场景下的短期客流预测。基于某西南城市地铁刷卡交易数据,对比差分整合移动平均自回归模型(ARIMA)、TCN、LSTM及TCN-LSTM模型的短期客流预测结果,得出组合模型的总体平均绝对误差(MAE)值比其他方法低27%~48%,均方误差(MSE)值低13%~35%,平均绝对百分比误差(MAPE)值低2.8%~6.7%,上述3项指标均表明TCN-LSTM模型的客流预测效果更好。此外,对比实验表明通过融入提取的可预知特征数据,TCN-LSTM模型在测试集上的预测误差评价指标明显降低,所提方法能有效提高地铁短期客流预测精度。

沉浸理论视域下短视频知识采纳意愿的形成机制研究——基于“挑战—技能平衡”特征的对比分析

[目的/意义]知识类短视频是当前信息用户广泛使用的信息资源。本文旨在从沉浸体验视角探索用户在观看知识类短视频时的采纳意愿形成机制。[研究设计/方法]以沉浸理论和信息采纳模型为基础,采用对照实验、问卷调查法收集数据,通过PLS-SEM模型分析知识采纳行为的形成机制。[结论/发现]沉浸体验对感知有用性和知识采纳意愿具有积极影响,并负向调节视频质量对感知有用性的正向影响、正向调节感知有用性对知识采纳意愿的正向影响。用户在高技能、高沉浸状态下,知识采纳同时受感觉体验和知识内容路径影响;在高挑战状态下,只受知识内容路径影响。[创新/价值]将沉浸理论引入知识采纳研究,提出了短视频知识采纳意愿形成模型,发现了沉浸体验、知识采纳和图像认知之间的复杂关联。

电力系统强迫振荡源定位的时-频域耗散能量流方法

准确定位强迫振荡源对电力系统的安全稳定运行意义重大。然而,由于强迫振荡模式的可观性和振荡时变特征,传统方法难以从多通道量测信息中有效提取振荡分量,从而降低了基于耗散能量流的强迫振荡源定位方法的定位精度。为此,提出了一种基于耗散能量流的电力系统强迫振荡源时-频域定位方法。首先,根据节点各量测通道间信息相关性,利用同步压缩短时傅里叶变换处理节点多通道量测信息,构建节点统一时-频系数矩阵;然后,根据强迫振荡分量的能量特性,利用时-频域能量筛选并同步提取时-频系数矩阵中的时-频域强迫振荡分量;进一步,根据测量信息的时-频域特性,在传统时域强迫振荡耗散能量流计算模型的基础上推导出基于同步压缩短时傅里叶变换的时-频域耗散能量流计算模型,并根据系统强迫振荡期间的时-频域耗散能量流能量特性定位强迫振荡源;最后,将所提方法应用于WECC 179节点测试系统、WECC 240节点测试系统的仿真振荡场景以及美国New England的实际振荡事件,所得结果表明所提时-频域定位方法可快速、精准定位强迫振荡源。

海水二次循环冷却设备腐蚀故障在线诊断研究

为了在短时间内完成对二次循环设备腐蚀故障的精准诊断,提出海水二次循环冷却设备腐蚀故障在线诊断方法。根据冷却设备循环机组的工作参数,构建腐蚀故障出现前的设备正常运行状态函数。结合腐蚀故障产生因素及环境条件设置约束条件,确定冷却设备腐蚀故障位置影响因子。计算每个故障位置的判定系数,以在线确定故障位置。横向对比冷却设备管道中不同位置节点力学数据,并校验分析故障位置判定系数,以获取冷却设备腐蚀故障位置判定系数指标量。创新性地最大化短期记忆网络的池化层,并依据故障位置判定系数及指标量,求解腐蚀故障实际触发值和整定值,以实现设备腐蚀故障的在线诊断。测试结果表明,所提方法的诊断准确率均在97%以上。该方法具有见效快、用时短、诊断准、效果稳的特点,能够应对当前大部分海水二次循环冷却设备腐蚀故障的在线诊断任务。

油气悬架阻尼数学模型对比分析

当前针对油气悬缸动力学特性的研究中,弹性力主要采用多变气体状态方程建模,阻尼力则采用薄壁小孔理论建模,由于真实情况中阻尼孔和单向阀的过流厚度都并非薄壁,而是具有一定的厚度,采用薄壁理论会导致模型在一定程度上失真,所以采用短孔过流理论建立阻尼模型,并考虑入口和出口的局部水头损失,重新构建油气悬缸动力学模型。通过施加真实道路采集的振动信号,对比了1/4悬架系统的两种阻尼力模型下的响应与真实的悬缸上支点加速度数据的平均绝对误差MAE和均方根误差RSME,验证了两个模型在低频范围都能较好模拟悬架振动,但中高频存在明显缺失,而短孔过流理论模型在频域上更逼近真实值。

QDOT MICRO^(TM)导管两种模式与传统导管功率控制模式对消融损伤灶影响的对比研究

目的探讨QDOT MICRO^(TM)(QDOT)导管两种模式消融效果的安全性,以及与传统导管功率控制(PC)模式相比不同参数设置对消融创痕的影响。方法应用新鲜离体猪心,比较QDOT导管的温度/流速控制(TFC)模式与THERMOCOOL SMARTTOUCHTM SF(STSF)导管的PC模式在不同消融指数(AI,400、500)分组下的创痕大小和安全性。同时评估QDOT导管的超高功率短时程消融模式(vHPSD)和TFC模式在不同接触压力(5、15和30 g)和不同贴靠角度(0°、45°和90°)分组下的创痕大小和安全性,并对比两种模式在不同消融间距(4 mm和6 mm)分组下创痕的均匀性、连续性和安全性。结果在AI相同时,TFC与PC模式所产生的创痕的深度、表面宽度、最大横径以及体积的差异均无统计学意义(均为P>0.05)。与目标AI为400时TFC模式相比,vHPSD模式所产生创痕的表面宽度和最大横径的差异均无统计学意义(均为P>0.05),但vHPSD模式产生的创痕更浅[(1.95±0.38)mm比(2.72±0.31)mm,P<0.001]、体积更小[(30.35±11.34)mm^(3)比(48.78±19.82)mm^(3),P=0.040]。接触压力对创痕情况影响不显著,各参数差异均无统计学意义(均为P>0.05)。各组创痕表面宽度均在贴靠角度90°时最小,且在目标AI为500的TFC模式组不同贴靠角度导致的创痕表面宽度差异有统计学意义(P=0.027)。此外,消融间距为4 mm时,vHPSD模式和TFC模式均能产生均匀且连续的线状创痕;消融间距为6 mm时,vHPSD模式和目标AI为400的TFC模式组所产生的创痕均不连续,而目标AI为500的TFC模式组产生的创痕具有良好的连续性。应用QDOT导管和STSF导管消融均未产生气爆和焦痂。结论在AI相同时,QDOT导管的TFC模式与STSF导管的PC模式消融效果相似。与TFC模式相比,vHPSD模式产生的创痕深度更浅,体积更小。QDOT导管的TFC模式和vHPSD模式安全性均较高。

基于PSO-LSTM的短时交通流量预测网站设计

短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。

基于时空特征的城市轨道交通短时OD估计方法

精准的短时出行地和目的地(OD)估计技术是城市轨道交通运营组织方案制定的主要依据,同时也是城轨断面客流预测的基础。为同时考虑时空双维特征,且快速实现全网OD的高精度估计,该文基于时间、空间2个维度分析了城轨客流OD分布特征,提出多维度下的最优输入因子筛选方法,构建了基于多元线性回归模型的多层级嵌套OD估计方法。以2019年工作日的南京地铁线网为例进行模型验证,结果表明,时间粒度为15 min以及60 min下,全网OD的平均绝对百分比误差(MAPE)分别为37%、24%,部分OD对在高峰时段的MAPE值小于5%;15 min粒度的均方根误差(RMSE)约为1.3。相比于现有短时OD估计方法,该文提出的方法在高峰时段预测效果更好,能够高效实现全网、全时段的OD估计。

基于ETAP的光伏离网发电系统的稳态分析

本文针对某建筑中的某一离网光伏发电系统,采用ETAP电力系统仿真软件对其稳定性进行仿真分析。建立该系统的单线图模型,研究光伏电源容量的变化对电力系统稳态性能的影响,通过不同光伏渗透率下系统的潮流分析,获取稳态时系统的电压电流与功率分布和短路时的暂态电流,进而实现对该离网光伏发电系统的稳定性分析。相较于传统Matlab仿真更加的简洁,对系统级别的数值模拟更加贴合实际,仿真结果可验证本文所提方法的正确性和有效性。

基于数据集蒸馏的光伏发电功率超短期预测

云是影响太阳直接辐射变化的主要因素,由于各类云的透光率不同,导致到达光伏电站的太阳辐射会随之产生波动。为解决各类云遮挡下的光伏发电功率波动大、预测模型个数多的问题,提出一种基于卫星云图和数据集蒸馏的光伏发电功率超短期预测模型。首先,基于待测场站上方的历史云图,采用Farneback光流法预测出云图;然后,根据卫星云分类标签数据建立各类云的样本库,利用数据集蒸馏算法训练样本库得到云类判别图,将预测云图与云类判别图匹配计算,获得云类聚合匹配特征;最后,利用上述特征、云量特征以及数值天气预报数据建立长短期记忆网络模型,对光伏发电功率进行超短期预测。利用某光伏电站数据进行验证,结果显示,该文所提模型能准确描述云层的各项特征,有效提升光伏功率预测精度。

基于Transformer的短时交通流时空预测

现有的交通流预测模型未能全面获取路网的空间依赖,忽略了周期性对交通流量的影响,且缺乏对全局时间依赖的建模能力。针对以上问题,提出一种结合Transformer的动态扩散卷积门控循环单元预测模型。该模型利用动态扩散卷积网络和门控循环单元对交通流的近期、日周期和周周期三个时间进行时空建模;使用Transformer层获取全局时间依赖关系;将各组件输出进行加权融合,生成预测结果。实验结果表明,该方法相较基准模型能有效降低预测误差,准确预测交通演化态势。

短管直径对短管蜂窝夹套传热性能的影响

基于某工程中1台干燥机的短管蜂窝夹套结构形式,通过将短管尺寸由Ф90 mm×5 mm逐渐增大到Ф135 mm×7.5 mm,建立了模型1~模型6共6种夹套流场计算有限元模型,模拟分析了各模型速度场和温度场分布特性,计算并对比了各模型在不同体积流量下的总传热系数。模拟数据表明,随着短管尺寸的增大,夹套流体域内最大流速呈持续递减趋势。随着短管尺寸的增大,夹套流体域内温度场均匀性先升后降,模型5温度场分布均匀性最佳,总传热系数最大。随着体积流量的增加,夹套总传热系数持续增大。随着短管直径的增大,夹套总传热系数先升后降,模型5总传热系数最大。综合分析表明,在一定范围内增大短管的直径,能够强化夹套传热效果。

结合变种残差模型和Transformer的城市公路短时交通流预测

城市公路交通流的预测受到历史交通流量和相邻车道交通流量的影响,蕴含了复杂的时空特征。针对传统交通流预测模型卷积长短时记忆(ConvLSTM)网络进行交通流预测时,未将时空特征分开提取而造成的特征提取不充分、特征信息混淆和特征信息缺失等问题,对ConvLSTM模型作出改进。首先,提取每个采样时刻的交通流数据的短期时间特征和空间特征,并在特定的维度下将交通流的短期时空特征融合;其次,进行残差映射;最后,将映射后的短期时空特征交由Transformer模型捕捉交通流数据长期的时空特征,并根据所捕捉的长期特征对未来时刻每个采样点交通流进行预测。使用加州城市快速路数据对模型进行验证,以平均绝对误差(MAE)作为模型评价指标时,所提模型相较于Conv-Transformer模型,预测精度提高了18%,验证了所提模型的有效性。