一种聚类隐马尔可夫模型的时空轨迹预测算法

随着"互联网+"的高速发展,大数据的不断产生,人们对时空轨迹的数据分析也越来越多.本文针对海量的用户轨迹数据进行研究,提出一种基于分区域的隐马尔可夫模型用以解决时空轨迹序列的预测问题.该模型首先通过聚类将一片区域内的时空序列分成多个小区域,每个小区域内再通过聚类确定多个隐状态和发射序列,然后针对每个小区域进行隐马尔可夫模型的训练得出最终模型.预测时通过已知的时空序列,找到对应的区域模型,通过维特比算法计算出最佳隐状态序列,再结合转移矩阵做出下一个轨迹点的预测.实验表明,该模型具有较高的学习速度,且预测精度较高.

安徽地区应力场分区特征及中强震前震源机制的一致性研究

利用近震直达Pg波和Sg波垂直向最大振幅比方法,求出安徽及周边地区1974年以来246次ML2.0级以上地震的震源机制解。采用系统聚类方法,得到安徽不同分区不同时段的震源机制优势综合解,分析不同分区构造应力场的特点。对安徽地区中小震震源机制解中应力轴参数进行统计分析表明,其优势方向与华东地区构造应力场方向基本相同。研究安徽地区震源机制一致性参数特征发现,在中强震发生前,一致性参数均出现显著下降。

基于群体动力学的协调控制子区划分

引入群体动力学理论中的相聚度概念,给出了相邻交叉口相聚度的计算公式.通过控制子区边界、设置基于交叉口相聚度的子区划分约束条件,实现了分层、分步的交通控制子区划分策略,建立了一个基于群体动力学的交通控制子区划分模型,设计了一个完整的最佳控制子区划分方案获取流程,采用交叉口群聚类算法实现了对控制子区划分方案的综合性分析评价.算例分析表明,所提出的基于群体动力学的协调控制子区划分方法是有效的,根据交叉口相聚度得到的控制子区划分方案可以减少路网交通流的总停车次数和停车延误.

针对智能家居应用中的LEACH协议改进

针对智能家居应用中的结构特点,在LEACH协议的基础上做出改进,并提出JC-LEACH算法。该算法分区成簇,将网络空间分为几个小区域,根据节点的坐标位置成簇,每个簇群里有且仅有一个簇首;在簇首选举上将节点剩余能量最多的节点设置为新的簇首,防止能量不足的节点成为簇首。有效改善了传统LEACH协议在智能家居应用中簇首分配不均,节点能耗不均的问题。通过Matlab仿真实验可以看出,该算法改善了节点能耗,有效提高了整个网络的生命周期。最终通过在智能家居实验箱上的实验,更进一步说明该算法的可行性与实用性。

基于特征权重的遗传聚类方法

本文提出的聚类方法与通常的分区聚类方法区别在于 :( 1 )从遗传算法角度考虑聚类问题 ;( 2 )在特征权重基础上构造个体适应度函数 ,通常的聚类方法没有考虑特征对分类的不同影响 ;( 3)用基于罚函数的小生境遗传算法处理聚类问题 ,最大限度地保证搜索到全局最优解和所有局部最优解。

大学校园规划的“复杂性”设计导向及策略分析

总结当代大学校园规划中圈层交通结构、有机分散的簇群结构、复合功能分区、集群建筑等复杂性设计倾向,分析其优势特征和设计要点,并结合设计实践加以阐述,最后得出结论:大学校园作为一个系统的复杂机制已经形成且呈现出自组织倾向。

基于改进Newman快速划分算法的城市动态交通子区划分方法

城市交通网络紧密联系,交叉口、干线和交通子区存在复杂关联性。从复杂系统角度提出一种基于Newman快速划分算法(Fast Newman,FN)的控制子区划分方法。首先,考虑城市道路网络拓扑结构复杂性,根据相邻交叉口的交叉口间距、路段交通流量、车流离散特性、交通流速度、车流密度等分析交叉口关联性,建立综合关联度计算模型;其次,将交叉口关联性引入到FN算法中,基于改进的Newman快速划分算法对路网控制子区进行划分;最后,通过实际路网,进行模型验证。结果表明:该子区动态划分方法有效考虑路网拓扑结构复杂性,更符合实际交通流特性,对城市区域路网子区划分更加合理。

基于贝叶斯神经网络的农田分区灌溉需水量模拟

针对农田分区灌溉需水量模拟过程中普遍存在的求解过程易陷入局部最小化、出现过度拟合,以及过度依赖历史用水数据,导致最终模拟结果存在显著误差的问题,研究基于贝叶斯神经网络的农田分区灌溉需水量模拟分析方法。以前一周需水量、年内月需水量占比、日内温度上限值及日降雨量为指标,通过聚类分析获取指标数据均值,对农田分区灌溉历史用水的样本数据进行聚类分析。构建贝叶斯神经网络模型,将指标数据均值输入模型,根据BP神经网络原理与贝叶斯规则训练指标数据,然后输出农田分区灌溉需水量模拟结果。试验结果显示数据聚类结果中数据间关联度高于95%,数据拟合效果较好,模拟需水量时具有更高的精度与稳定性。

大气环境分区管理:以广东省为例

从区域大气环境管理的角度出发,提出大气环境分区管理的理念.以广东省地区为例,利用空气质量数值模拟和卫星遥感反演分析相结合的方法,从气象要素模拟场、浓度要素模拟场和卫星图像解译中筛选出关键因子,形成大气环境管理分区指标体系,在此基础上,利用层次聚类分析法将广东省划分为严格控制区、持续改善区和协调发展区这3种大气环境管理分区类型.结果表明,广东省大气环境管理严格控制区、持续改善区和协调发展区分别占16.3%、28.0%和55.7%.严格控制区在珠三角、粤东、粤西和粤北所占的比例分别为27.9%、19.3%、4.4%和12.5%,区域内应实施最严格的大气环境管理政策以推动空气质量改善;持续改善区在珠三角、粤东、粤西和粤北所占的比例分别为34.4%、15.8%、7.8和34.5%,区域内应实施相对严格的大气环境管理政策以保障持续稳定达标;协调发展区在珠三角、粤东、粤西和粤北所占的比例分别为37.7%、64.9%、87.8%和53.0%,区域内应实施较为宽松的大气环境管理政策以保障相对良好的空气质量.总体而言,广东省大气环境管理压力主要集中在珠三角地区,粤北、粤东地区次之,粤西地区大气环境管理压力最小.