基于回归分析的群集疏散时间模型优化研究

为提高国际上通用的疏散时间模型(简称经验模型)的仿真度,将人员的属性因素(自然属性和社会属性)影响纳入时间模型,采用回归分析方法,以某高校大型大学生艺术中心疏散案例为研究基础,通过调查采样建立185组数据的实测样本。结合影响人员疏散行为和疏散时间相关因素,运用统计软件SPSS17.0对样本进行回归分析,建立疏散时间回归模型。以回归模型为基础,将个体属性综合为群集属性,求取修正系数并对经验模型进行修正、检验。结果表明:利用回归分析和修正系数对疏散时间经验模型进行修正,可有效弥补经验模型缺乏考虑群集属性影响的弱点,提高经验模型的仿真度和应用价值。     

瓦斯浓度区间预测的灰色聚类与高斯过程模型

为有效分析矿井瓦斯监测数据,以实现准确、可靠的瓦斯浓度预测,基于灰色关联聚类分析与高斯过程回归模型,研究瓦斯浓度时间序列分析与预测的方法。以预测有效度为预测精度的评估指标来动态确定重构瓦斯浓度时间序列样本空间的维数;应用灰色关联分析方法将瓦斯浓度时间序列划分成若干样本集,将其中具有关联特征的样本作为虚拟变量进行预测以消除因随机、不确定因素干扰而引起的预测误差;应用高斯过程回归模型实现瓦斯浓度区间预测,将预测结果表示成一个具有较高可信度的取值区间,以此表达对未来一段时间内瓦斯浓度动态变化情况的预测。实例分析表明:预测结果准确、可靠,能够较好地反映瓦斯浓度的实际变化状况。     

自回归模型在井水埋深预测中的应用及改进

用时间序列分析方法建立井水埋深的预测模型时,首先采用差分的方法把季节性时间序列变成平稳时间序列,在此基础上,再用动态数据系统方法的传统F检验定阶法进行分析。由于样本的随机性可能过早地退出对模型的循环检验,从而不能找到合适的预测模型。笔者在用自回归模型建立井水预测模型的基础上,采用了一种改进的建模方法,提高了预测精度,并用实例进行了验证。     

季节调整分析在城市火灾发生规律研究中的应用

利用样本周期图法定量分析了城市火灾序列的周期性,并实例分析得出了北京市火灾时间序列具有12个月和48个月的周期性。然后采用季节调整法,将火灾时间序列中的季节因子和不规则因子提取出来,得出了经季节调整后的时间序列,从而得到了北京市火灾发生受季节因素影响的大小和城市火灾时间序列的基本发展趋势,大大提高了火灾数据之间的可比性。同时结论可为消防管理部门有针对性地采取消防监督管理措施和科学地安排消防执勤战备提供有力指导。     

煤尘爆炸最大压力随点火延迟时间的时序性分析

为研究煤尘爆炸最大压力随点火延迟时间的变化规律,采用20 L球形爆炸装置进行试验,通过采集不同点火延迟时间下煤尘爆炸最大压力数据,建立最大压力-点火延迟时间的自回归移动平均(ARIMA)时间序列模型。采用差分法消除最大压力数据的上升趋势性。通过计算自相关、偏相关系数与赤池信息量准则(AIC)函数值、贝叶斯信息量准则(BIC)函数值,确定模型自回归、移动平均阶数,并采用最小二乘法估计模型参数。运用模型预测20组不同点火延迟时间下的最大压力。结果表明,用ARIMA时间序列模型预测的最佳点火延迟时间与实测情况基本吻合,同时实现了对最大压力数据波动特征的合理分析。     

基于HP滤波与ARMA模型的生产安全事故时序预测

为了研究月度生产安全事故变化规律并进行预测,采用Hodrick-Prescott滤波将事故序列分解为长期稳定趋势和短期波动两部分。对长期事故序列进行了平稳性检验,建立了线性回归预测模型。通过比较不同形式模型变量的显著性,建立了反映事故短期波动的自回归移动平均模型,短期预测值用于修正长期趋势预测值。结果表明,事故序列在长期上符合线性回归模型;事故短期波动预测ARMA(4,6)模型显示,事故波动变量与前1、2、4期存在自相关特征。     

利用ARIMA(自回归移动平均)模型对跑道侵入事件的分析及预测

综合运用具有相当精度的时间序列分析方法,建立美国民航运输安全中的机场跑道侵入的AR IMA(自回归移动平均)模型,克服了样本空间总是有限带来的不足,揭示出民航跑道侵入的动态变化规律,并对未来美国民航跑道侵入事故发生次数进行较准确的预测,为我国民航部门科学地制定飞行计划、人员培训、提高安全管理水平,提供可靠的依据。     

湿式振动矩形纤维栅的除尘效率仿真

针对影响湿式振动矩形纤维栅除尘效率相关的各项因素研究，建立数学模型，运用回归分析原理，通过计算机编程，对已知的试验数据进行分析，通过分析得出除尘效率的模型公式，并对最终的模型公式进行验证。     

交通事故时间序列预测模型研究

为提升交通事故时间序列预测精度,建立一个基于相关向量机(RVM)的交通事故时序序列预测模型。结合RVM的建模与求解思想,建立交通事故时间序列预测函数关系式;设计交通时序参数预测模型实现流程,并选取均方根误差(RMSE)、模型训练时间等作为评价指标;以我国交通事故数、万车死亡率、10万人口死亡率为例,验证所建模型的有效性。实例验证表明:所建模型对不同的交通事故时间序列指标预测效果良好,预测精度高于灰色预测、自回归移动平均模型、支持向量机(SVM)等经典模型。     

基于决策融合的多模型顶板安全预警

为了对矿井深部开采中煤层巷道的动压规律进行准确的预警预测,采用决策融合的多模型顶板来压预测方法。利用聚合经验模态分解方法(EEMD)对每个传感器监测数据进行模态分解,得到各子模型的多个固有模态函数(IMF)序列;根据模态函数的特点,对非线性序列运用支持向量机(SVM)模型,线性序列运用单整自回归移动平均(ARIMA)模型进行预测,再将各子模型中各种预测值合成重构得到各子模型的预测输出;通过统计识别模式将各子模型的预测数据进行归一化决策融合后,在同一个时空坐标系中表示出来。实际应用表明,用多模型融合的预测方法能实现采场顶板动态规律的远期、近期以及实时预测,并能很好地反映动压大变形规律,捕捉顶板灾害的预兆信息。     

航空装备事故的灰色时序组合预测模型

为提高航空装备事故预测水平,提出一种基于灰色和时间序列分析模型的航空装备事故组合预测模型。先构建灰色模型,提取历史数据中承载的趋势信息。然后进行模型选择、阶数识别和参数估计,建立灰色残差的时间序列分析模型,用以刻画历史数据中的随机波动特征。最后,将2个模型的预测值相加,得到所求的组合预测结果。实例中,以美国空军1996—1999年的A级飞行事故10万时率数据为基础,建立灰色时序组合模型,模型中短期预测精度优于单一灰色模型,平均相对误差控制在5%以内,预测结果能够反映航空装备安全的实际状况。     

基于BP神经网络和SVR的Fund?o尾矿坝排水数据预测对比研究

针对尾矿库运行过程中安全预警问题,选取2015年巴西Samarco铁矿溃坝事故案例,研究BP神经网络和SVR方法在排水数据预测的适用性。综合分析了排水数据的复杂且非线性的特点,以库水位、降雨量和干滩长度为输入特征,采用上述2个模型对尾矿坝排水数据进行预测。研究结果表明:基于BP神经网络预测结果的最大相对误差不高于4.35%;基于SVR算法的最大相对误差不高于9.21%;Fundo坝的排水预测结果是可行的,BP神经网络的预测精度更高,而SVR模型的运算速度更快。研究结果可为矿山安全工作的快速响应和溃坝预警提供信息支撑和参考依据。     

FOA优化GRNN网络的尾矿库安全预测

从尾矿库安全管理实际出发,针对尾矿库安全预测影响因素多、波动性大和非线性的特点,提出了果蝇算法优化广义回归神经网络的尾矿库安全预测模型。通过利用果蝇优化算法的全局寻优特性对广义回归神经网络进行参数优化,同时采用相关分析方法选取尾矿库安全评价指标,实现尾矿库的安全评价预测。以辽宁本溪南芬尾矿库为研究实例进行预测仿真,实验结果表明:相较于GRNN网络模型和BP网络模型,采用果蝇算法优化的GRNN模型预测精度更高,适用性更强,在尾矿库安全预测方面具有很大的实际应用价值。     

尾矿坝溃坝模型研究及应用

根据多个大坝的实际溃决资料,提出尾矿坝溃坝的数学模型,该模型考虑尾矿的物理力学性质及其在流动中的变形,适合溃坝砂流下泄流量变幅大的特点。并就尾矿坝溃坝后泥石流对坝下游的影响提出预测的方法,该方法确定了泄砂总量、溃坝口平均宽度、坝址最大砂流量、坝址流量过程线等溃坝的重要参数。最后利用数学模型对某尾矿库溃坝砂流进行了预测,并指出该坝下游人员的撤离高程,为防灾减灾以及保护人民生命财产安全等起到了积极作用。     

区域性煤矿百万吨死亡率指标的宏观预测研究

为了对煤矿安全状况进行宏观预测,提出区域性煤矿安全状况评价指标体系并建立了以煤矿百万吨死亡率指标标征区域性煤矿安全状况的灰色预测模型。在对煤矿综合机械化采煤率、大型煤矿产量比例、原煤全员效率指标预测分析的基础上,利用多元回归法综合预测煤矿百万吨死亡率指标。实例计算证明:建立的预测模型具有输入数据少、建模简单、计算快捷等优点;客观地反映出区域性的煤矿安全状况;该模型可进行煤矿安全的短期预测,并为制定煤矿安全控制指标提供理论依据。     

On prediction in road safety

Prediction is about potential outcomes: what will happen if and what would have happened if. The first question arises when safety targets are set, the second when the effect of an intervention on safety is to be evaluated. There are many ways to predict. For the same data different prediction methods produce different predictions. What targets are set and what estimates of intervention effect are produced will depend on what method of prediction is chosen. Therefore one has to determine what method tends to predict best. To do so empirically one asks what method would have predicted best had it been applied in the past and then one assumes, inductively, that the same would apply in the future. Quantitative measures of prediction quality are suggested and it is shown how these measures of prediction quality allow one to determine which of two prediction methods should be preferred.The suggested approach was applied to two data sets: The time series of motor vehicle accident fatalities in Province A and in Province B. On the basis of this analysis one may draw tentative conclusions for these jurisdictions and the methods tested; one can say what method seems preferable, what is the average size of bias than needs to be corrected and how accurate is the prediction likely to be. Broader conclusions will emerge once many additional methods of prediction are applied to data from many other jurisdictions and pertaining to a variety of circumstances.     

Forecasting turbine problems by means of the state space framework

A forecasting system is set up to improve the diagnosis in a Condition Monitoring Programme of a critical turbine placed at an industrial plant. The system is based on a statistical model in a State Space framework, such that the local mean level of the vibration state of the equipment is estimated directly from the data, based on a continuous-time set up. This model is combined with a cost model in Conditioned Monitoring, by which the time of preventive replacement is produced when the minimum of the expected cost per unit of time is reached into the future. Such measure is a combination of the costs of failure, the costs of a preventive replacement and the probabilities of reaching the alarm levels fixed by some criteria. The system is estimated by Maximum Likelihood and thoroughly tested on the equipment. The main tests relate to statistical properties of the model residuals and a comprehensive comparison with an alternative system, namely a linear trend regression model in continuous time. The system produced a reasonable forecasting performance and sensible time of preventive replacement prediction and outperformed the alternative forecasting system.     

基于长短时记忆网络的水质预测模型研究

在当前水质数据急剧增加的背景下,为了挖掘水质时间序列中的更多信息,提升水质预测的精度,构建了基于缺失值填补算法和长短时记忆网络(LSTM)相结合的水质预测模型。通过缺失值填补算法进行水质数据的缺失值处理,利用LSTM网络分别构建不同水质参数的预测模型,以太湖水质监测数据为样本,对模型进行检验。结果表明,基于缺失值填补算法-LSTM的水质预测模型适应性强,相较传统SVM、BP神经网络、RNN、LSTM模型预测精度更高,对水环境保护具有重要意义。     

基于模糊数学理论的尾矿库环境质量综合评价

尾矿库的环境对其周边地区的环境有着重大的影响.建立了尾矿库的环境质量模糊综合评价指标体系,通过专家打分法确定了某尾矿库各层评价指标的权重以及第3层次的模糊关系综合矩阵,并对此尾矿库的环境质量进行了模糊综合评价.最后得出结论:该尾矿库的环境质量综合评价等级为"中".