基于灰色马尔可夫的道路交通事故预测

探讨灰色马尔可夫模型在道路交通事故中的具体应用。灰色模型适用于短期、数据量少和波动不大的预测问题,在长期预测时,数据序列拟合较差,预测精度偏低;而马尔可夫链适用于长期、数据序列随机波动大的预测问题。灰色马尔可夫模型结合了灰色GM(1,1)模型和马尔可夫理论的优点,利用灰色模型进行长期预测,再利用马尔可夫链理论进行波动状态预测,最后得到期望值。该模型克服了随机波动性数据对道路交通事故预测精度的影响,提高了灰色预测的准确度。实例结果,证明灰色马尔可夫GM(1,1)模型具有较好的应用价值,为道路交通安全管理提供了有用依据。     

基于灰色-马尔科夫链理论的建筑施工事故预测研究

我国建筑事故预测中具有统计数据少、数据波动性大等特点,缺乏具有高精度、可操作性强的预测模型。将灰色系统理论和马尔可夫原理相结合,充分发挥了灰色系统理论适用于小样本数据拟合和马尔可夫适合处理数据波动大的系统过程的优势,通过GM(1,1)模型的建立,提出一种适合建筑事故统计数据特点的灰色马尔可夫预测方法。将该方法应用于1994—2007年建筑施工事故次数分析,以此为基础对2008—2009年的建筑施工事故次数进行预测。研究结果表明:基于灰色马尔可夫理论建筑事故预测结果精度可达90%以上。     

基于灰色新陈代谢马尔可夫模型的飞行事故预测

灰色预测适用于时间短、数据量少和波动不大的预测问题,在长期预测时,数据序列拟合较差,预测精度偏低;而马尔可夫链适用于长期、数据序列随机波动大的预测问题。笔者结合灰色新陈代谢GM(1,1)模型和马尔可夫链理论的优点,建立飞行事故预测模型。模型去掉已失去参考价值的历史老信息,补充新信息,克服了随机波动性数据对飞行事故预测精度的影响,提高了灰色预测的应用水平。实例预测1973—2008世界飞行事故,其结果证明了灰色新陈代谢马尔可夫GM(1,1)模型预测精度较高,可用于飞行事故预测,具有较强的科学性和实用性。     

铁路行车事故加权马尔可夫SCGM(1,1)c预测模型及应用

从铁路行车事故的预测问题出发,试图找到稳定有效的方法对铁路行车事故进行预测.首先引入BX数据生成法对原始数据序列进行处理,以弱化原始数据之间的随机性.建立了单因子系统云灰色SCGM(1,1)c模型,揭示铁路行车事故时序变化的发展趋势.参照原始数据的中心趋势曲线,来划分铁路行车事故状态,得到了状态转移概率矩阵.据此计算自相关系数并进行归一化,作为各步马尔可夫链的权重,提出了加权马尔可夫SCGM(1,1)c模型,以修正SCGM(1,1)c模型的预测值,对铁路行车事故总数进行了拟合和预测.结果表明:相比较而言,加权马尔可夫SCGM(1,1)c模型在对铁路行车事故的拟合和预测中均有较好的效果,拟合精度和预测精度分别达到了98.92％和96.36％.     

基于灰色神经网络优化组合模型的火灾预测研究

为了提高火灾事故预测的精度,根据我国火灾事故数据样本较小,波动性较大的特点,将遗传算法优化的灰色无偏预测模型与遗传算法优化的BP神经网络模型结合起来,建立灰色神经网络优化组合模型,充分发挥无偏灰色预测模型适用于小样本的数据预测的优势与BP神经网络处理非线性问题的优点。分别采用遗传算法优化后的无偏灰色GM（1,1）模型、遗传算法优化的BP神经网络预测模型与灰色神经网络优化组合模型对我国1998-2008年的火灾事故进行拟合,并对2009-2011年的火灾事故发生数进行预测。结果表明:灰色神经网络优化组合模型的预测误差最小,精度最高,适用于火灾事故的预测。     

煤矿事故预测的马尔可夫SCGM(1,1)c模型的建立与应用

煤矿安全是煤矿生产的重要保障,煤矿事故预测是煤矿安全评价和决策的基础。结合灰色SCGM(1,1)_c预测模型和马尔可夫链理论的优点,根据煤矿生产的特殊条件,提出了基于马尔可夫链的SCGM(1,1)_c预测模型。首先利用灰色SCGM(1,1)_c预测模型对我国1990—2010年的煤矿事故百万t死亡率进行初次预测,然后根据初次预测结果,利用残差模型对SCGM(1,1)_c模型预测结果进行修正。最后在修正模型的基础上,运用马尔可夫SCGM(1,1)_c模型对我国2011—2013年煤矿事故百万t死亡率进行了预测,并对两种模型的预测误差进行了对比分析。结果表明,马尔可夫SCGM(1,1)_c预测模型既能揭示煤矿事故百万t死亡率变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性。     

民航事故征候的灰色马尔可夫预测

民航事故征候的分析和预测是民航安全研究的重要内容.掌握民航事故征候的发展状况并据此提出相应的安全措施,可减少民航事故的发生.在民航事故征候灰色预测基础上,引入马尔可夫链(Markov Chains)预测理论,建立事故征候的灰色马尔可夫预测模型.该模型具有灰色预测和马尔可夫链预测的优点,不仅提高了对波动性较大的随机变量的预测精度,同时还拓宽了灰色预测的应用范围.对某一航空公司过载大事件的灰色马尔可夫预测和检验分析表明,事故征候的灰色马尔可夫预测模型精度高于GM(1,1)模型预测精度.研究表明,灰色马尔可夫预测模型可用于民航事故征候的预测.     

基于GMM模型的煤矿顶板事故致死人数预测

为了解决目前常用预测模型对随机波动性较大数据预测精度偏低的问题,文章在灰色预测GM(1,1)的基础上引入马尔可夫状态转移矩阵,建立了灰色马尔可夫预测模型(GMM),并将该法运用到煤矿顶板致死人数的预测中。经计算GMM模型的预测平均相对误差为1.181%,最大相对误差3.426%,与GM(1,1)法相比,后者精度分别提高了21倍和13倍。     

GM(1,N)模型在城市道路交通噪声预测中的精度分析

根据武汉市1998～2002年城市道路交通噪声检测数据以及相关的数据,分析相关因素的选取对GM(1,N)灰色模型的预测精度的影响.结果表明选取相关因素会降低GM(1,N)灰色模型的精度,而GM(1,1)模型则有较好的预测精度;利用GM(1,1)模型对武汉市2008年前的道路交通噪声进行了预测.     

基于预处理的AFOA-ELM冲击地压危险预测模型

为提高冲击地压危险性预测准确率,提出一种基于预处理的改进的果蝇优化算法(AFOA)优化极限学习机(ELM)的预测模型。以重庆砚石台煤矿为例,选取其10个冲击地压危险性影响因素作为模型特征;以部分实测数据作为样本数据集并进行预处理,采用合成少数类过采样技术(SMOTE)构建平衡数据集,使用灰色关联分析法(GRA)及因子分析法(FA)降低特征维度;针对果蝇优化算法(FOA),引入跳脱变量和分类准确率方差变量构造AFOA,利用AFOA优化选取ELM的输入层权值及隐含层阈值,构建冲击地压危险预测模型,训练预处理样本数据、预测并对比其他模型预测结果。结果表明:数据集预处理可以显著提高AFOA-ELM模型预测效果;基于预处理的AFOA-ELM冲击地压危险预测模型,预测准确率为93. 75%,均方误差为6. 25%,预测精度显著优于其他对比模型。     

基于GM(1,1) Markov的危化品道路运输事故与交通事故预测及关系研究

为准确预测我国危化品道路运输及交通2类事故数量趋势,探究其内在联系,在单一的灰色GM（1,1）模型基础上与马尔科夫过程组合形成灰色GM（1,1）—马尔科夫预测模型,以2013—2017年2类事故数量的原始序列探讨了该组合预测模型的实际应用,采取平均相对误差、均方差比值、小误差概率对模型进行精度检验。研究结果表明:在组合预测模型较优情况的研究中,2类事故数量历年来波动性相似,因危险化学品自身的性质、包装和装卸使得2类事故量变化频率存在偏差;2018—2019年的危化品道路运输事故分别为485起和480起,交通事故分别为225 294起和234 454起。     

基于HMM和DT的无人机异常检测方法

为了实时检测无人机异常状态,提出基于隐马尔可夫模型(Hidden Markov Model,HMM)和决策树(Decision Tree,DT)的无人机异常检测方法(HMMDT).首先根据异常致因将无人机异常分为干扰异常和硬件异常;然后结合HMM和DT建立无人机异常检测模型,定义无人机异常度衡量异常状态的严重程度,确定...     

基于视频分析的空管员违规行为识别方法*

为利用视频数据对空管员违规行为进行智能化分析,降低不安全事件发生率,提出2阶段的违规行为识别模型（AR-ResNeXt）,基于实地调研构建空管员视频数据集,利用最小化动态多实例学习损失函数和中心损失函数,获得违规行为检测的判别特征表示,结合异常回归网络和ResNeXt网络,完成对空管员违规行为的时序区间检测与动作分类。研究结果表明:AR-ResNeXt模型在自制数据集中,其帧级AUC达到82.9%,分类准确率达到87.8%,可准确识别空管员发生违规行为的时序区间并进行分类,研究结果可为保障空中交通安全奠定基础。     

基于多点关联性的尾矿坝位移监测序列异常值诊断*

针对尾矿坝位移监测序列中噪声和真实异常值的区分问题,提出1种基于多点关联性和改进孤立森林（IF）算法的异常数据诊断模型。通过IF算法对监测序列中的各样本点异常程度进行量化计算,引入云模型（CM）算法确定IF量化的异常得分与异常概念的相互映射关系以实现异常点的初步诊断,根据Apriori算法计算多测点序列间的关联性,找出强关联序列组合,结合序列关联性以及异常点诊断结果区分噪声与真实异常值。以某尾矿坝位移监测序列为例进行模型验证。研究结果表明:基于多点关联性的异常诊断模型能够有效区分尾矿坝位移监测序列中的噪声与真实异常值,提高监测系统的准确性。     

基于GM-SVR的小样本条件下化工设备可靠性预测

为了准确预测化工设备可靠性趋势，针对化工设备失效寿命数据为小样本的情形，基于灰色估计法与支持向量回归机在小样本数据处理中的优势，建立了失效寿命时间服从三参数威布尔分布的化工设备可靠性模型；结合GM（1，1）和SVR对模型进行参数估计，在压缩机可靠性分析中进行了实例应用，对比分析了最小二乘法、灰色估计法和GM-SVR的估计效果。研究结果表明:GM-SVR对威布尔分布参数的估计精度明显优于最小二乘法和灰色估计法，可以有效地应用于化工设备失效数据为小样本时的可靠性预测。     

基于动态数据驱动的煤矿瓦斯异常涌出风险预警系统设计*

为解决煤矿瓦斯异常涌出风险预警过程中过度依赖系统模型,不能动态实时修正预测模型,预测、预报精准度和可靠度不高的难题,基于动态数据驱动技术,搭建瓦斯异常涌出风险预警系统架构,探讨动态数据驱动的瓦斯涌出监测曲线拟合、动态预警模型选择和修正、预警系统研发等关键性技术,开发基于动态数据驱动的瓦斯异常涌出风险预警系统软件。结果表明:动态数据驱动技术在煤矿瓦斯异常涌出风险预警方面具有强大的信息处理和问题求解能力,可实现仿真系统与实际系统间的动态响应和控制功能,并实时反馈修正,使预测结果更加精确、可靠,设计研发的预警系统可在矿井受瓦斯异常涌出威胁时发出可靠的预警信号。     

基于粒子群优化的DGM（1,1）模型在基坑变形安全预测中的研究

为确保基坑施工期间发生变形后能够正常使用,将变权缓冲算子结合DGM(1,1)模型构造出变权离散灰色模型,利用相对误差、后验差比,灰色绝对关联度3种精度检验法作为粒子群算法适应度建立模型,构造PSO-VWDGM(1,1)模型,并结合实际工程监测数据研究不同适应度对基坑变形预测精度的影响。研究结果表明:不同适应度函数对预测精度存在较大影响,以灰色绝对关联度作为适应度建立模型预测精度较高,可以更好应用在工程中。研究成果可为工程施工阶段的基坑变形预测、稳定性分析与灾害评估、预警提供参考。     

SFLA-Verhulst组合模型预测矿井瓦斯涌出量

针对矿井瓦斯涌出量的时变性、波动性、非线性以及不确定性等特征,提出了SFLA-Verhulst组合预测模型,用于对具有非线性动态特征的瓦斯涌出量进行预测。该模型通过蛙跳算法对Verhulst模型的背景值参数寻优,并引入一次指数平滑法对原始数据进行优化处理,建立了基于混合蛙跳算法的SFLA-Verhulst组合预测模型;结果使模型在原始数据不准确或存在误差干扰的情况下仍能进行精度较高的预测。将新模型应用于某矿瓦斯涌出量预测,并对模型的预测结果进行检验分析,结果表明:该模型在结合蛙跳算法的全局寻优特点后预测精度较传统的GM(1,1)模型有明显的提高,适用性更强。     

煤矿百万吨死亡率动态无偏灰色马尔科夫预测

为掌握我国煤炭行业整体安全生产状况,构建动态无偏灰色马尔科夫模型,通过处理我国1999—2008年度煤矿百万吨死亡率数据,对2009—2011年度煤矿百万吨死亡率数据进行预测。用无偏灰色GM(1,1)模型代替传统灰色GM(1,1)模型,拟合得到煤矿百万吨死亡率数据的变化趋势,在此基础上应用马尔科夫模型进行预测,并在每一次预测中更新原始数据,最后对预测结果进行对比分析。计算结果表明:动态无偏灰色马尔科夫模型既能消除传统灰色GM(1,1)模型的固有偏差,又能提高预测精度尤其是中长期预测精度。其中,平均绝对误差为3.35%,平均相对误差为3.85%,均低于传统灰色GM(1,1)模型和一般灰色马尔科夫模型。动态无偏灰色马尔科夫模型对于煤矿百万吨死亡率数据的平均预测精度超过96%。