基于最优加权的道路交通事故组合预测模型

针对各种单一灰色预测方法存在的局限性,建立了一种基于最优加权的灰色组合预测方法。根据我国道路交通事故的发展情况,建立了GM(1,1)模型和Verhulst模型相结合的组合预测模型,运用最优加权法确定了组合预测模型的权重系数。利用2001—2007年我国道路交通事故数据死亡人数数据,对建立的灰色组合预测模型进行了预测。预测结果表明,组合预测模型比单一的GM(1,1)模型和Verhulst模型具有更高的预测精度。     

两种预测模型在煤层瓦斯抽采量预测中的对比分析

本文分别采用灰色GM(1,1)预测模型与灰色马尔科夫预测模型对贵州某矿21124工作面运输巷本煤层瓦斯抽采量进行预测,其中灰色GM(1,1)预测模型的绝对误差为13.33%,灰色马尔科夫预测模型的绝对误差为4.22%;利用残差检验法对以上两种预测模型进行精度检验,其中灰色GM(1,1)预测模型的小误差概率为0.25,均方差比值为1.55,马尔科夫预测模型的小误差概率为0.92,均方差比值为0.46,结合预测精度等级划分,看出后者的预测精度级别更高;灰色马尔科夫预测模型更适合数据波动性较大的煤层瓦斯抽采量预测,与灰色预测模型相比,该法具有预测误差更小、预测精度更高、预测规律更符合实际数据的真实变化趋势等优点。     

基于等维新息灰色马尔科夫的地铁客流量预测*

为准确预测地铁客流量的发展趋势,采用等维新息灰色GM（1,1）预测模型与马尔科夫模型相结合的方式建立等维新息灰色马尔科夫模型,探讨等维新息灰色马尔科夫模型在地铁客流量预测领域的应用;运用平均相对误差、后验差比值和小误差概率3种指标对模型精度进行检验。结果表明:等维新息灰色马尔科夫模型与原始数列的拟合程度较高,预测精度等级为Ⅰ级（优）,优于传统灰色GM(1,1)模型和等维新息灰色GM(1,1)模型的预测精度,更加符合地铁客流的实际情况。     

基于GM(1,1)的残差修正模型的电梯故障率预测

为研究某城市某品牌电梯故障率发展趋势,建立了该城市该品牌电梯故障率的GM(1,1)灰色预测模型,并对所建模型进行了数据检验,检验结果表明该预测模型的预测精度波动较大。为了提高GM(1,1)灰色预测模型的预测精度,利用对模型进行数据检验时得到的残差序列,建立GM(1,1)灰色预测模型的残差修正模型,利用该残差修正模型对原预测模型进行修正。利用经残差修正模型修正后的故障率预测模型对该城市A品牌电梯的故障率进行预测,结果表明:1)残差修正模型对原模型修正后的相对误差与修正前相比有升也有降,但精度有所提高且趋于稳定,表明残差修正模型有利于提高预测精度;2)利用所建立的故障率预测模型求得的预测故障率与实际故障率相比,相对误差不超过8.010%,表明该故障率预测模型的预测精度较高;3)修正模型预测值表明,在现有状态下该城市A品牌电梯的故障率呈上升趋势,应加强该品牌电梯的检维修与管理。     

焊接结构失效事故征候的灰色马尔科夫预测

焊接结构的可靠性,是锅炉压力容器特种设备安全研究的重要内容。将事故征候的预测研究引入锅炉压力容器特种设备的焊接结构安全分析的研究领域,通过灰色预测理论模型GM(1,1)与马尔科夫链预测理论模型相结合,利用两者的优点,不仅提高了对波动性较大的随机变量的预测结果可靠度,同时延展了灰色预测的应用。结合应用算例,将灰色马尔科夫预测模型与传统的GM(1,1)在焊接结构失效事件的前瞻性预测中的应用进行了对比,灰色马尔科夫预测模型对焊接结构失效事件的预测精度在98%以上,且较GM(1,1)模型预测结果的精度平均提高了近4%,能够消除GM(1,1)模型的固有偏差。灰色马尔科夫预测模型符合对锅炉压力容器特种设备焊接结构安全研究的实际要求。     

基于灰色GM(1,1)-马尔科夫模型的职业病预测研究

为准确预测量化我国职业病的发病趋势,在灰色GM(1,1)模型的基础上结合马尔科夫过程构建灰色GM(1,1)-马尔科夫预测模型,探讨灰色GM(1,1)-马尔科夫模型在职业病预测领域的应用。通过平均相对误差、后验差比值、小误差概率3个指标对该组合模型的预测精度进行评估。结果表明:10维灰色GM(1,1)-马尔科夫模型与原始数列的拟合程度较高,预测精度等级为一级（好）,该组合模型的预测精度优于单一的灰色GM(1,1)预测模型;在遵循新陈代谢原理的情况下,我国职业病发病呈现上升态势,2015—2018年的职业病发病例数依次为31 196,36 284,37 724,39 147例。     

基于无偏灰色模型的煤矿百万吨死亡率预测

为预测中国煤炭行业安全生产状况发展趋势,构建无偏灰色预测模型对我国煤矿百万吨死亡率数据进行模拟预测。通过对我国2005—2010年度煤炭行业的百万吨死亡率有关数据进行模拟,并与传统的灰色GM(1,1)模型的预测模拟结果进行对比分析。计算结果表明:无偏灰色模型消除了传统GM(1,1)模型本身固有偏差,预测精度较高,分析结果可靠,其中,平均绝对误差为0.030 6%,平均相对误差为2.71%,均低于传统GM(1,1)模型。预测数据显示近年来我国煤矿百万吨死亡率正逐步下降,2011年和2012年分别降至0.536%和0.411%,符合煤矿安全生产"十二五"规划要求。     

基于GM(1,1)模型的军用车辆交通事故预测研究

在分析军用车辆交通事故预测技术重要性的基础上,根据2005—2009年的军用车辆交通事故原始数据,建立军车交通事故的GM(1,1)灰色预测模型。对军用车辆交通事故起数和死亡人数进行短期预测,并通过实例验证预测模型的适用性。通过模型验证结果可以看出:GM(1,1)模型预测所得数据较为精确。预测结论如下:未来几年,军车交通事故会稳步下降,事故发生次数会快速减少,但死亡人数相对减少较缓。     

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。     

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.     

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Hankel-DMD的城市交通事故风险时空预测*

为解决城市交通事故风险时空分布预测任务中时空关联性捕捉困难的问题,提出基于动态模态分解（DMD）的城市交通事故分析时空预测模型,模型利用总最小二乘法去除交通事故数据中的噪声,应用结合Hankel矩阵的动态模态分解模型（Hankel-DMD）捕捉交通事故风险的时空关联性,对交通事故风险的时空分布进行预测。研究结果表明:DMD框架能够为高维预测任务提供低秩解决方案,从高维数据中捕捉时空关联性;Hankel-DMD模型在预测评价指标平均绝对误差和均方根误差方面的表现明显优于统计学及机器学习等方法;Hankel-DMD模型产生的动态模态和特征值,对事故风险系统的时空动态特征具有一定的可解释性,同时验证Hankel-DMD模型的适用性。     

基于自记忆模型的煤与瓦斯突出电磁辐射预测研究

利用实验测定的电磁辐射信号时间序列,用双向差分原理反导出一个非线性常微分方程;以其为微分动力核,运用动力系统数据机理自记忆模式构造自记忆方程并求出自记忆系数;利用该方程预测未来电磁辐射信号的变化,并与现场测定对比分析,用误差分析和距平分析法验证该模型正确性和预测准确率。实例表明:该自记忆模型预测与实测结果是一致的,相对误差均在6.7852%左右,距平符合率为90%;自记忆方法能有效应用于煤与瓦斯突出电磁辐射动态预测中;该模型与电磁辐射预测方法的有机结合能有效地提高预测准确性,从而为煤与瓦斯突出电磁辐射预测技术提供了一种新的研究途径。     

铁路轨道状态分析信息系统设计与实现

研究了轨道状态分析信息系统的设计与实现方法。利用检测数据作为分析轨道状态的出发点,研究轨道状态的变化趋势,在分析国内现有铁路工务管理系统中存在的数据资源分散、忽视历史数据积累等问题的基础上,阐述了构建铁路轨道状态分析信息系统的可行性和必要性,并采用数据仓库技术和地理信息系统(GIS)技术,从空间和时间两个维度分析数据,提出了建立轨道状态预测模型的趋势分析法。笔者研究的核心内容是如何在整合各类轨道动、静态检测数据及铁路运营数据的基础上,建立轨道状态预测模型,为掌握及预测轨道状态变化趋势提供可靠的分析工具。     

动态瓦斯地质预测算法研究与可视化应用

为实现煤矿瓦斯地质动态精准预测与可视化,基于煤层埋深、厚度、倾角、地质构造等多种因素,通过将相似的地质模块定义为同一微单元,在此基础上将反距离权重插值算法和递归邻域搜索策略与数据优化处理算法相结合,应用于瓦斯地质动态预测可视化系统开发。研究结果表明:根据递归邻域搜索算法模型开发的多级瓦斯地质图动态分析系统利用瓦斯地质基础数据可对矿井瓦斯含量、压力、涌出量等瓦斯赋存参数进行实时分析和计算,动态绘制散点图、等值线和区域预测图,使瓦斯区域预测图过渡更加平缓,显著提高预测的精准性及整体的显示效果,同时其制图耗时也无明显增加,可为高瓦斯矿井安全生产提供决策依据。     

Research on the prediction of dangerous goods accidents during highway transportation based on the ARMA model

The COVID-19 epidemic has caused a lack of data on highway transportation accidents involving dangerous goods in China in the first quarter of 2020, and this lack of data has seriously affected research on highway transportation accidents involving dangerous goods. This study strives to compensate for this lack to a certain extent and reduce the impact of missing data on research of dangerous goods transportation accidents. Data pertaining to 2340 dangerous goods accidents in the process of highway transportation in China from 2013 to 2019 are obtained with webpage crawling software. In this paper, the number of monthly highway transportation accidents involving dangerous goods from 2013 to 2019 is determined, and the time series of transportation accidents and an autoregressive moving average (ARMA) prediction model are established. The prediction accuracy of the model is evaluated based on the actual number of dangerous goods highway transportation accidents in China from 2017 to 2019. The results indicate that the mean absolute percentage error (MAPE) between the actual and predicted values of dangerous goods highway transportation accidents from 2017 to 2019 is 0.147, 0.315 and 0.29. Therefore, the model meets the prediction accuracy requirements. Then, the prediction model is applied to predict the number of dangerous goods transportation accidents in the first quarter of 2020 in China. Twenty-two accidents are predicted in January, 23 accidents in February and 27 accidents in March. The results provide a reference for the study of dangerous goods transportation accidents and the formulation of accident prevention and emergency measures.     

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。     

PCA-SVR在煤层瓦斯含量预测中的应用

针对煤层瓦斯含量与其影响因素之间存在着复杂的非线性关系,建立了基于主成分分析和支持向量回归机的煤层瓦斯含量预测模型。该模型有效地解决了小样本、非线性预测的问题,并发挥了主成分分析法消除输入变量间相关性的优点,减少了输入变量个数,提高了预测精度和收敛速度。通过实证分析,该模型的预测精度高,能够直接用于煤矿现场预测煤层瓦斯含量。     

基于PSO优化BP神经网络的钻井动态风险评估方法

传统钻井动态风险评估严重依赖于专家主观判断、结果大多是定性或半定量,无法满足深井复杂地层钻井安全需求。针对该问题,研究建立了基于PSO优化BP神经网络的钻井动态风险评估方法。通过对录井资料的监测分析,实时判断井下风险发生的类型并定量计算风险发生概率,可以在风险发生的早期给出预警信息,及时指导风险调控措施的开展。海上BD气田的实例分析表明,基于构建的动态风险评估模型得到的风险预测结果与实际风险发生情况相符合,说明建立的模型是合理可行的。该模型对于钻井作业过程中动态风险评估具有一定的参考价值。     

基于灰色系统理论的煤与瓦斯突出预测

为了对煤与瓦斯突出事故进行有效的预防与控制 ,笔者应用灰色系统理论中的灰色聚类评估方法 ,对矿井的煤与瓦斯突出进行了预测。经实例证明 ,与常用的预测方法相比 ,灰色聚类预测方法具有能动态预测、预测准确等优点。该方法将影响突出的多个因素综合系统的来考虑 ,跳出了常规预测方法只依靠单一指标进行预测的圈子 ,提高了预测的准确性。研究结果表明 ,该方法能准确地反映矿井煤与瓦斯突出规律 ,是一种新的煤与瓦斯突出预测的方法