CN111179595A - 一种交通流时间序列分解方法 - Google Patents
一种交通流时间序列分解方法 Download PDFInfo
- Publication number
- CN111179595A CN111179595A CN202010008745.8A CN202010008745A CN111179595A CN 111179595 A CN111179595 A CN 111179595A CN 202010008745 A CN202010008745 A CN 202010008745A CN 111179595 A CN111179595 A CN 111179595A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- component
- sequence
- trend
- periodic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通流时间序列分解方法,它包括以下步骤:(1)采集所需要分析道路断面的交通流历史数据;(2)将历史交通流序列分解为趋势、周期和残差3个成分;(3)将新观测的交通流序列分解为趋势、周期和残差3个成分。该方法充分考虑了交通流序列的周期性,可以剥离出随机噪声的影响,提取交通流周期波动以及趋势变化的规律。该方法适用于具有周期性的交通流状态序列,分解结果可用于交通状态分析、检测与预测,辅助智能交通系统的研究。
Description
技术领域
本发明涉及智能交通控制技术领域,具体为一种交通流时间序列分解方法。
背景技术
交通流序列是通过道路检测设备获得的第一手交通状态数据,对交通流序列分析一直以来都是交通工程领域的研究热点。运用科学的方法与技术手段,研究分析交通流序列的变化特征,可以挖掘出交通流的增长趋势、时段瓶颈和异常状态等,一方面可以为道路使用者提供合理的路径规划方案,另一方面,可以为政府道路交通管理部门制定管理与控制方案提供决策依据。
现阶段研究普遍认为现实生活中的交通流序列是由多种信号源叠加产生的复合结果,一方面,交通流序列在短期内不稳定、波动较大,而另一方面,交通流在长期内又呈现周期变化的规律。而时间序列分解技术则是通过特定的方法把时间序列分解为多个简单的、具有一定规律的时间序列分量。根据交通流周期变化的特征,对交通流序列进行时间序列分解,可以剥离出随机噪声的影响,提取交通流周期波动规律。因此,对交通流序列分解可以分析交通流的长期变化趋势、周期波动、异常状态等,辅助交通流运行状况监测、交通流预测等智能交通技术的实施。
发明内容
为了可以将交通流序列分解为趋势、周期和残差3个成分;并提供一种动态分解方法,基于已建立的分解模型,对新观测的交通流数据进行动态分解,本发明提供一种交通流时间序列分解方法,可以将交通流序列分解为趋势、周期和残差3个成分;并提供了一种动态分解方法,基于已建立的分解模型,对新观测的交通流数据实现动态分解。该方法可以用于分析交通流序列的整体趋势、周期波动以及异常状况,为达此目的,本发明提供一种交通流时间序列分解方法,其特征在于:所述方法可以将交通流序列分解为趋势、周期和残差3个成分,并附有一种动态分解方法,基于已建立的分解模型,对新观测的交通流数据进行动态分解,
(1)采集所需要分析的道路断面的交通流历史数据;
(2)将历史交通流序列分解为趋势、周期和残差3个成分;
(3)将新观测的交通流序列动态分解为趋势、周期和残差3个成分。
作为本发明进一步改进,所述交通流历史数据为交通流量、车辆平均速度或其他交通状态指标所组成的时间序列。
作为本发明进一步改进,步骤二将历史交通流序列分解为趋势、周期和残差3个成分具有以下步骤:
(1)定义所采集的交通流序列为Y(t),周期长度为C,周期数量为M,则交通流序列Y(t)的样本数量为MC,初始化趋势分量T(t)=0;
(3)周期子序列平滑,对每个周期子序列作K为M/2的LOESS,并分别向前和向后各延展一个周期;
即表示对于自变量为X=[1,2,3,4,..,M]Τ,因变量为周期子序列Y=[Y(c),Y(C+c),Y(2C+c),...,Y((M-1)C+c))]T,基于K=M/2的LOESS求X=[0,1,2,3,4,..,M,M+1]Τ时对应的估计值再把所有周期子序列估计值按照时间先后重组成临时时间序列
上述周期子序列Sc(t)={Y(c),Y(C+c),Y(2C+c),...,Y((M-1)C+c))},c=1,2,...,C表示由每个周期同一位置的数据所组成的时间序列;
计算周期分量,依据F(t),首先计算单个周期的周期分量Q(t),t=1,2,...,C:
然后再把将Q(t)扩展M个周期,得到周期分量P(t),t=1,2,...,MC
(8)终止条件判断,若满足终止条件,则执行下一步骤(9),否则继续执行先前步骤(2)至(7);
(9)计算残差分量,用原始序列Y(t)减去趋势分量T(t)和周期分量P(t),得到残差分量R(t),即:
R(t)=Y(t)-T(t)-P(t)。
作为本发明进一步改进,步骤三将新观测的交通流序列动态分解为趋势、周期和残差3个成分,其具有以下步骤:
首先定义新观测数据Z(t),t=MC+1,MC+2,...
(1)按照时间先后顺序遍历Z(t)中的所有的数据zt,执行步骤(2)至(5),直到所有的观测数据都完成了分解;
(2)计算周期分量,根据zt所在周期的位置和权利要求3中步骤(5)得到的单周期分量Q(t),计算其周期分量pt;
(5)计算残差分量,用原始观测序列zt减去趋势分量tt和周期分量pt,得到残差分量rt,即:
rt=zt-tt-pt。
与现有技术相比,本发明的有益效果是:
本发明充分考虑了交通流序列的周期性,可以将交通流序列分解为趋势、周期和残差3个成分,每一成分都有具体的实际含义和分析价值,趋势成分反映了交通流状态的趋势变化,周期成分反映了交通状态的周期波动,残差成分可以监测交通状态的异常变化,分解结果可用于交通状态分析、监测与预测,辅助智能交通系统的研究。
本发明充分考虑了交通流的动态性,提供了动态分解方法,在已建立的分解模型的基础上,可以将实时观测数据动态分解为趋势、周期和残差3个成分,能够满足智能交通系统实时响应和动态更新的需求。
附图说明
图1为本发明的总体流程图;
图2为历史交通流序列分解的流程图;
图3为观测交通流序列动态分解的流程图;
图4为LOESS的示意图;
图5为周期子序列平滑和周期子序列重组的示意图;
图6为实施例1的分解结果;
图7为实施例2的分解结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种交通流时间序列分解方法,可以将交通流序列分解为趋势、周期和残差3个成分;并提供了一种动态分解方法,基于已建立的分解模型,对新观测的交通流数据实现动态分解。该方法可以用于分析交通流序列的整体趋势、周期波动以及异常状况。
具体技术方案如下:
一种交通流时间序列分解方法,其包括以下步骤,具体总体流程图如图1所示:
(1)选择需要预测的道路断面,采集道路断面的交通流历史数据;
(2)通过时间序列分解方法,将历史交通流序列分解为趋势、周期和残差3个成分;
(3)通过动态分解方法,将新观测的交通流序列分解为趋势、周期和残差3个成分。
进一步的,步骤(1)中所述交通流历史数据可以为交通流量、平均速度或其他交通状态指标所组成的时间序列。
进一步的,步骤(2)中所述交通流时间序列分解方法,分解流程如附图2所示,具体步骤如下:
(a)定义步骤(1)中所采集的交通流序列为Y(t),周期长度为C,周期数量为M,则交通流序列Y(t)的样本数量为MC,初始化趋势分量T(t)=0,t=1,2,...,MC;
(c)周期子序列平滑,如附图5所示,对每个周期子序列作K为M/2的LOESS回归,并分别向前和向后各延展一个周期,即:
对自变量为X=[1,2,3,4,..,M]T,因变量为周期子序列
Y=[Y(c),Y(C+c),Y(2C+c),...,Y((M-1)C+c))]T,基于LOESS求
其中,周期子序列Sc(t)={Y(c),Y(C+c),Y(2C+c),...,Y((M-1)C+c))},c=1,2,...,C表示由每个周期同一位置的数据所组成的时间序列。
其中,LOESS英文全称为Locally Weighted Regression,中文翻译为局部加权回归,是一种非参数回归方法;如附图4所示,xi的估计值由距离xi最近的K个点加权得到,K为LOESS需要指定的参数:
上式中wk表示邻近点yk的权重,计算公式如下:
上式中,D(x)为Epanechnikov核函数,函数形式如下:
λ为Epanechnikov核函数的核宽度,表示xi与其第K近的点的x[K]距离:
λ=|xi-x[K]|
计算周期分量,依据步骤(e)得到的F(t),首先计算单个周期的周期分量
Q(t),t=1,2,...,C
然后把将Q(t)扩展C个周期,得到周期分量P(t),t=1,2,...,MC
(h)终止条件判断,若满足终止条件,则执行下一步骤(i),否则继续执行先前步骤(b)至(h);
(i)计算残差分量,用原始序列Y(t)减去趋势分量T(t)和周期分量P(t),得到残差分量R(t),即:
R(t)=Y(t)-T(t)-P(t)
通过步骤(a)至(i),历史交通流序列可以Y(t)被分解为趋势序列T(t)、周期序列P(t)和残差序列R(t)3个成分相加。
进一步的,步骤(3)中对新观测数据Z(t),t=MC+1,MC+2...的动态分解方法,具体步骤如下:
(a)按照时间先后顺序遍历Z(t)中的所有的数据zt,执行步骤(b)至(e),直到所有的观测数据都完成了分解。
(b)计算周期分量,根据zt所在周期的位置和单周期分量Q(t),计算其周期分量pt;
(e)计算残差分量,用原始观测序列zt减去趋势分量tt和周期分量pt,得到残差分量rt,即:
rt=zt-tt-pt
通过步骤(a)至(e),交通流的实时观测值zt可以被分解为趋势分量tt和周期分量pt,得到残差分量rt 3个部分相加。
实施例1:
(1)选择需要分析的道路断面,采集道路断面的交通流历史数据;
本实施例所采集的交通数据来源美国明尼苏达大学公开的明尼苏达州高速公路交通流数据集,采集的监测点为S195,采集的交通流序列为5分钟间隔的交通流量,采集的时间为2019年4月29日至5月6日工作日(每周的周一到周五)共20天的全天24小时交通流量。采集样本序列共5760个,其中前3周(共4320条)作为历史数据用于时间序列分解,后1周(共1440条)作为实时观测数据用于动态分解。所采集的样本如附图6中原始序列所示。
(2)通过时间序列分解方法,将历史交通流序列分解为趋势、周期和残差3个成分,实施流程如附图2所示,具体实施步骤如下:
(a)将步骤(1)中所采集的前4320条5分钟交通流量按照时间先后顺序排列组成时间序列Y(t),t=1,2,...,4320,则周期长度为C=288,周期数量为M=15,交通流序列Y(t)的样本数量为4320,初始化趋势分量T(t)=0,t=1,2,...,4320;
(c)周期子序列平滑,对每个周期子序列作K=8(K=M/2=7.5,并四舍五入取整)的LOESS回归,并分别向前和向后各延展一个周期。
即对于自变量X=[1,2,3,4,..,15]Τ,因变量为周期子序列
Y=[Y(c),Y(288+c),Y(2×288+c),...,Y(14×288+c))]T,基于LOESS求
其中,周期子序列
Sc(t)={Y(c),Y(288+c),Y(2×288+c),...,Y(14×288+c))},c=1,2,...,288指在每个周期同一位置组成的时间序列。
计算周期分量,依据步骤(e)得到的F(t),首先计算单个周期的周期分量Q(t),t=1,2,...,288
然后把将Q(t)扩展15个周期,得到周期分量P(t),t=1,2,...,4320
(h)循环终止条件判断,设置循环次数为3,若循环次数大于3,则执行下一步骤(i),否则继续执行先前步骤(b)至(h);
(i)计算残差分量,用原始序列Y(t)减去趋势分量T(t)和周期分量P(t),得到残差分量R(t),即:
R(t)=Y(t)-T(t)-P(t),t=1,2,...,4320
(3)通过动态分解方法,将新观测的交通流序列分解为趋势、周期和残差3个成分,实施流程如附图3所示,具体步骤如下:首先记步骤(1)中所述后1周(共1440条)实时观测数据为Z(t),t=4321,4322,...,5760
(a)按照时间先后顺序遍历Z(t)中的所有的数据zt,t=4321,4322,...,5760,执行步骤(b)至(e),直到所有的观测数据都完成了分解。
(b)计算周期分量,根据zt所在周期的位置和步骤(2)中子步骤(e)计算得到的单周期分量Q(t),计算其周期分量pt;
(e)计算残差分量,用原始观测序列zt减去趋势分量tt和周期分量pt,得到残差分量rt,即:
rt=zt-tt-pt
分解结果如附图6中趋势序列、周期序列和残差序列所示,其中附图6中实线表示对历史时间序列的分解,虚线表示对实时观测数据的分解。从附图6中趋势序列可以看出,采集时段内的交通流量在一定的范围内波动,没有明显的增加或减少的趋势;附图6中的周期序列表示交通流量在每一天内的周期变化,可以看出该交通流量序列具有很强的周期性,存在明显的早高峰与晚高峰,且早高峰交通流量高于晚高峰;附图6的残差序列表示噪声干扰或者是其他因素对交通流量的影响,当残差序列出现过大或过小的波动时,可以认为交通流量出现异常,并可以结合其他监测数据进行验证。
实施例1结束。
实施例2:
(1)选择需要预测的道路断面,采集道路断面的交通流历史数据;
本实施例所采集的交通数据来源美国明尼苏达大学公开的明尼苏达州高速公路交通流数据集,采集的监测点为S1924,采集的交通流序列为10分钟间隔的车辆平均速度,采集的时间为2019年7月22日至8月16日工作日(每周的周一到周五)共20天的上午时段(5:00至12:00)的车辆平均速度。采集样本序列共840个,其中前3周(共630条)作为历史数据用于时间序列分解,后1周(共210条)作为实时观测数据用于动态分解。所采集的样本如附图7中原始序列所示。
(2)通过时间序列分解方法,将历史交通流序列分解为趋势、周期和残差3个成分,实施流程如附图2所示,具体实施步骤如下:
(a)将步骤(1)中所采集的前630条10分钟车辆平均速度按照时间先后顺序排列组成时间序列Y(t),t=1,2,...,630,则周期长度为C=42,周期数量为M=15,则交通流序列Y(t)的样本数量为MC=630,初始化趋势分量T(t)=0,t=1,2,...,630;
(c)周期子序列平滑,对每个周期子序列作K=8(K=M/2=7.5,并四舍五入取整)的LOESS回归,并分别向前和向后各延展一个周期。
即对于自变量X=[1,2,3,4,..,15]Τ,因变量
Y=[Y(c),Y(42+c),Y(2×42+c),...,Y(14×42+c))]T,基于LOESS求
其中,周期子序列Sc(t)={Y(c),Y(42+c),Y(2×42+c),...,Y(14×42+c))},c=1,2,...,42指在每个周期同一位置组成的时间序列,
计算周期分量,依据步骤(e)得到的F(t),首先计算单个周期的周期分量
Q(t),t=1,2,...,42
然后把将Q(t)扩展15个周期,得到周期分量P(t),t=1,2,...,630
(h)循环终止条件判断,设置循环次数为3,若循环次数大于3,则执行下一步骤(i),否则继续执行先前步骤(b)至(h);
(i)计算残差分量,用原始序列Y(t)减去趋势分量T(t)和周期分量P(t),得到残差分量R(t),即:
R(t)=Y(t)-T(t)-P(t),t=1,2,...,630
(3)通过动态分解方法,将新观测的交通流序列分解为趋势、周期和残差3个成分,实施流程如附图3所示,具体步骤如下:首先记步骤(1)中所述后1周(共1440条)实时观测数据为Z(t),t=631,632,...,840
(a)按照时间先后顺序遍历Z(t)中的所有的数据zt,t=631,632,...,840,执行步骤(b)至(e),直到所有的观测数据都完成了分解。
(b)计算周期分量,根据zt所在周期的位置和和步骤(2)中子步骤(e)计算得到的单周期分量Q(t),计算其周期分量pt;
(e)计算残差分量,用原始观测序列zt减去趋势分量tt和周期分量pt,得到残差分量rt,即:
rt=zt-tt-pt
分解结果如附图7中趋势序列、周期序列和残差序列所示,其中附图7中实线表示对历史平均车速序列的分解,虚线表示对实时观测数据的分解。从附图7中趋势序列可以看出,每天上午(早上5:00至12:00)的车辆平均速度的增长趋势在72至75英里/小时之间波动;附图7中的周期序列表示车辆平均速度在每天上午的周期变化,可以看出每天上午的车辆速度随时间递减,接近中午时车辆速度最低,这与道路交通流量的变化相关;附图7的残差序列表示噪声干扰或者是其他因素对道路平均速度的影响,当残差序列出现过大或过小的波动时,可以认为道路平均速度出现异常,道路通行出现瓶颈,并可以结合其他监测数据进行验证。
实施例2结束。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.一种交通流时间序列分解方法,其特征在于:所述方法可以将交通流序列分解为趋势、周期和残差3个成分,并附有一种动态分解方法,基于已建立的分解模型,对新观测的交通流数据进行动态分解,
(1)采集所需要分析的道路断面的交通流历史数据;
(2)将历史交通流序列分解为趋势、周期和残差3个成分;
(3)将新观测的交通流序列动态分解为趋势、周期和残差3个成分。
2.根据权利要求1所述的一种交通流时间序列分解方法,其特征在于:所述交通流历史数据为交通流量、车辆平均速度或其他交通状态指标所组成的时间序列。
3.根据权利要求1所述的一种交通流时间序列分解方法,其特征在于:步骤二将历史交通流序列分解为趋势、周期和残差3个成分具有以下步骤:
(1)定义所采集的交通流序列为Y(t),周期长度为C,周期数量为M,则交通流序列Y(t)的样本数量为MC,初始化趋势分量T(t)=0;
(3)周期子序列平滑,对每个周期子序列作K为M/2的LOESS,并分别向前和向后各延展一个周期;
即表示对于自变量为X=[1,2,3,4,..,M]T,因变量为周期子序列Y=[Y(c),Y(C+c),Y(2C+c),...,Y((M-1)C+c))]T,基于K=M/2的LOESS求X=[0,1,2,3,4,..,M,M+1]T时对应的估计值再把所有周期子序列估计值按照时间先后重组成临时时间序列
上述周期子序列Sc(t)={Y(c),Y(C+c),Y(2C+c),...,Y((M-1)C+c))},c=1,2,...,C表示由每个周期同一位置的数据所组成的时间序列;
计算周期分量,依据F(t),首先计算单个周期的周期分量Q(t),t=1,2,...,C:
然后再把将Q(t)扩展M个周期,得到周期分量P(t),t=1,2,...,MC
(8)终止条件判断,若满足终止条件,则执行下一步骤(9),否则继续执行先前步骤(2)至(7);
(9)计算残差分量,用原始序列Y(t)减去趋势分量T(t)和周期分量P(t),得到残差分量R(t),即:
R(t)=Y(t)-T(t)-P(t)。
4.根据权利要求1所述的一种交通流时间序列分解方法,其特征在于:步骤三将新观测的交通流序列动态分解为趋势、周期和残差3个成分,其具有以下步骤:
首先定义新观测数据Z(t),t=MC+1,MC+2,...
(1)按照时间先后顺序遍历Z(t)中的所有的数据zt,执行步骤(2)至(5),直到所有的观测数据都完成了分解;
(2)计算周期分量,根据zt所在周期的位置和权利要求3中步骤(5)得到的单周期分量Q(t),计算其周期分量pt;
(5)计算残差分量,用原始观测序列zt减去趋势分量tt和周期分量pt,得到残差分量rt,即:
rt=zt-tt-pt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010008745.8A CN111179595A (zh) | 2020-01-06 | 2020-01-06 | 一种交通流时间序列分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010008745.8A CN111179595A (zh) | 2020-01-06 | 2020-01-06 | 一种交通流时间序列分解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111179595A true CN111179595A (zh) | 2020-05-19 |
Family
ID=70652455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010008745.8A Pending CN111179595A (zh) | 2020-01-06 | 2020-01-06 | 一种交通流时间序列分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179595A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239948A (zh) * | 2021-12-10 | 2022-03-25 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
CN115994248A (zh) * | 2023-03-24 | 2023-04-21 | 青岛精锐机械制造有限公司 | 阀门故障的数据检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140136088A1 (en) * | 2012-11-15 | 2014-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Method for Predicting Travel Times Using Autoregressive Models |
US9390622B2 (en) * | 2013-04-16 | 2016-07-12 | International Business Machines Corporation | Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream |
CN109977098A (zh) * | 2019-03-08 | 2019-07-05 | 北京工商大学 | 非平稳时序数据预测方法、系统、存储介质及计算机设备 |
CN110363289A (zh) * | 2019-07-17 | 2019-10-22 | 山东浪潮人工智能研究院有限公司 | 一种基于机器学习的工业蒸汽量预测方法及装置 |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
CN110516792A (zh) * | 2019-08-26 | 2019-11-29 | 西安电子科技大学 | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 |
-
2020
- 2020-01-06 CN CN202010008745.8A patent/CN111179595A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140136088A1 (en) * | 2012-11-15 | 2014-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Method for Predicting Travel Times Using Autoregressive Models |
US9390622B2 (en) * | 2013-04-16 | 2016-07-12 | International Business Machines Corporation | Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream |
CN109977098A (zh) * | 2019-03-08 | 2019-07-05 | 北京工商大学 | 非平稳时序数据预测方法、系统、存储介质及计算机设备 |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
CN110363289A (zh) * | 2019-07-17 | 2019-10-22 | 山东浪潮人工智能研究院有限公司 | 一种基于机器学习的工业蒸汽量预测方法及装置 |
CN110516792A (zh) * | 2019-08-26 | 2019-11-29 | 西安电子科技大学 | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 |
Non-Patent Citations (1)
Title |
---|
张勇: "预测交通流量时间序列的组合动态建模方法", 《吉林大学学报(工学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239948A (zh) * | 2021-12-10 | 2022-03-25 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
CN115994248A (zh) * | 2023-03-24 | 2023-04-21 | 青岛精锐机械制造有限公司 | 阀门故障的数据检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161538B (zh) | 一种基于时间序列分解的短时交通流预测方法 | |
CN111179595A (zh) | 一种交通流时间序列分解方法 | |
CN113505935B (zh) | 基于集成算法的电力异常波动检测和预测计算方法 | |
CN106101121A (zh) | 一种全网络流量异常抽取方法 | |
CN102085095A (zh) | 一种检测心电图中st段的方法、系统和心电检测仪器 | |
CN108022014B (zh) | 一种电力系统负荷预测方法及系统 | |
CN111426905B (zh) | 一种配电网同母线变关系异常诊断方法、装置及系统 | |
CN107085764A (zh) | 一种基于改进dfhmm模型的负荷分解方法及装置 | |
CN108205713B (zh) | 一种区域风电功率预测误差分布确定方法和装置 | |
CN109491242B (zh) | 一种最优控制问题直接离散求解的网格重构方法 | |
CN112183868B (zh) | 交通流量预测模型的构建方法及电子设备 | |
CN115931055A (zh) | 一种基于大数据分析的农村供水运行诊断方法及系统 | |
CN116166992A (zh) | 基于多特征事件分类的非侵入式负荷分解方法及系统 | |
CN108399415B (zh) | 一种基于设备所处生命周期阶段的自适应数据采集方法 | |
CN115081585A (zh) | 一种强化异构图神经网络的人机物协同异常状态检测方法 | |
CN113240099A (zh) | 基于lstm的旋转机械健康状态的预测方法和装置 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN113988259B (zh) | 基于vae-gru的火电机组运行参数的实时异常检测方法 | |
CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
CN116823298A (zh) | 一种挖掘机作业工况识别与计时方法 | |
CN105528621A (zh) | 基于支持向量机的多维度多步骤寿命预测方法 | |
CN113288050B (zh) | 基于图卷积网络的多维增强癫痫发作预测系统 | |
CN109670243B (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
Züfle et al. | A framework for time series preprocessing and history-based forecasting method recommendation | |
CN112506687A (zh) | 基于多周期分段滑动窗口标准差的故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |
|
RJ01 | Rejection of invention patent application after publication |