检索结果-南通市图书馆

基于数据驱动的纤维增强复合材料自动铺放速度预测与规划

在线全文

学校读者我要写书评

暂无评论

航空学报 2023年

作者：杨倩王彦哲杨迪李泽众曲巍崴浙江大学机械工程学院

复合材料自动铺放过程中，铺放速度的突变极易引起丝束翻折、褶皱、滑移等缺陷，从而降低铺放质量和铺放效率。基于铺放速度的预测结果进行优化调整，是提高铺放速度稳定性、保障铺放质量的重要途径。为此，本文提出一种基于数据驱动的... 详细信息

复合材料自动铺放过程中，铺放速度的突变极易引起丝束翻折、褶皱、滑移等缺陷，从而降低铺放质量和铺放效率。基于铺放速度的预测结果进行优化调整，是提高铺放速度稳定性、保障铺放质量的重要途径。为此，本文提出一种基于数据驱动的铺丝机速度预测及规划方法。首先，基于随机森林方法，建立了以铺丝机运动轴为子树的铺放速度预测模型，提出以关节标称速度、加速度、关节轨迹夹角为输入特征，以关节实际速度为输出特征的随机森林模型特征参数定义方法；进一步，基于铺放速度预测结果分析，提出了指令速度的分段匀速规划方法；最后，给出了参考指令速度的制造周期预估方法。采用六自由度卧式机床的进气道铺放试验对上述方法进行验证。结果表明，该方法对同训练角度铺层铺放速度的预测准确度达到91%，随着学习数据增加，各角度铺层路径的速度预测精度均有提升。采用基于铺放速度预测结果的指令速度分段规划方法，可显著降低速度突变，有效提升铺放质量。在计算成本方面，通过与神经网络方法相比，证明了随机森林方法具备高效的铺放速度预测水平。

关键词：复合材料自动铺丝铺放速度速度预测数据驱动模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于多特征数据融合的城市道路行程速度预测

深圳大学学报（理工版） 2023年第2期40卷 195-202页

作者：霍嘉男成卫李冰昆明理工大学交通工程学院云南昆明650504

城市道路速度预测有助于引导驾驶人选择较为畅通的路径,减少等待时间,提高出行效率.城市交通状况受到多种因素影响,考虑多种交通流特征数据与天气数据,建立基于长短期记忆(long shortterm memory,LSTM)循环神经网络的道路行程速度预测... 详细信息

城市道路速度预测有助于引导驾驶人选择较为畅通的路径,减少等待时间,提高出行效率.城市交通状况受到多种因素影响,考虑多种交通流特征数据与天气数据,建立基于长短期记忆(long shortterm memory,LSTM)循环神经网络的道路行程速度预测组合模型.选取中国西安市南二环附近区域的滴滴出行浮动车数据,通过提取数据集的交通流特征(速度、流量、加速度和停车次数)和天气特征(温度、湿度、天气和风速)对道路行程速度进行预测.结果表明,与未加入外部特征的LSTM模型、误差逆传播(back propagation,BP)算法神经网络及支持向量回归(support vector regression,SVR)模型相比,融合多特征数据的组合模型平均绝对误差、均方误差和决定系数分别为2.695、13.838和0.771,置信区间为(-1.235,1.795),均优于其他模型,具有更高的精度和稳定性.

关键词：智能交通多特征数据时间序列分析速度预测长短期记忆神经网络深度学习

面向在线地图的GCN-LSTM神经网络速度预测

在线全文

学校读者我要写书评

暂无评论

交通运输工程学报 2021年第4期21卷 183-196页

作者：陈华伟邵毅明(指导) 敖谷昌张惠玲重庆交通大学交通运输学院重庆400074 重庆交通大学山地城市交通系统与安全重庆市重点实验室重庆400074

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线... 详细信息

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明:GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。

关键词：交通工程速度预测 GCN-LSTM神经网络在线地图速度深度学习时空特征

基于速度预测与自适应差分进化算法的混合动力汽车能量管理策略

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2022年第24期22卷 10726-10736页

作者：韦福敏刘鑫许恩永吴雨轮广西大学机械工程学院南宁530004 华中科技大学机械科学与工程学院武汉430074 东风柳州汽车有限公司柳州545005

为提高单行星排构型的混合动力汽车(hybrid electric vehicle, HEV)的燃油经济性,降低车辆燃油消耗量,提出了一种基于门控循环单元神经网络(gated recurrent unit neural network, GRU-NN)速度预测模型与自适应差分进化(adaptive differ... 详细信息

为提高单行星排构型的混合动力汽车(hybrid electric vehicle, HEV)的燃油经济性,降低车辆燃油消耗量,提出了一种基于门控循环单元神经网络(gated recurrent unit neural network, GRU-NN)速度预测模型与自适应差分进化(adaptive differential evolution, A-DE)算法的能量管理策略,在模型预测控制(model predictive control, MPC)框架下预测未来车辆的行车速度,将整个工况内的全局优化求解问题转化为在预测时域内的局部优化求解,以发动机燃油消耗量最低与行车过程电池荷电状态(state of charge, SOC)平衡为目标,利用A-DE算法实现预测域内的最优控制序列求解。仿真结果表明:在实车采集的道路工况下,基于GRU-NN与A-DE算法的能量管理策略相较于等效燃油消耗最小策略(equivalent consumption minimization strategy, ECMS)燃油消耗量减少了4.55%,相较于动态规划燃油经济性达到了93.04%。

关键词：混合动力汽车能量管理策略自适应差分进化算法(A-DE) 门控循环单元神经网络(GRU-NN) 速度预测

在线全文

学校读者我要写书评

暂无评论

面向路网环境速度预测攻击的隐私保护

西安交通大学学报 2017年第2期51卷 27-32,110页

作者：张磊马春光杨松涛李增鹏哈尔滨工程大学计算机科学与技术学院哈尔滨150001 佳木斯大学信息电子技术学院黑龙江佳木斯154007

针对路网环境中攻击者利用速度预测获得用户位置隐私的问题,提出了一种提高当前路段查询密度值的密度压缩算法。该算法在用户真实位置附近添加大量噪声用户,通过噪声用户影响当前路段查询密度,进而降低速度预测的准确性,破坏攻击者通过... 详细信息

针对路网环境中攻击者利用速度预测获得用户位置隐私的问题,提出了一种提高当前路段查询密度值的密度压缩算法。该算法在用户真实位置附近添加大量噪声用户,通过噪声用户影响当前路段查询密度,进而降低速度预测的准确性,破坏攻击者通过概率转移矩阵预测用户行驶速度的攻击行为,以此保护用户在路网环境中的位置轨迹隐私。该算法通过密度压缩使真实用户和噪声用户表现出相同速度,提高了真实用户与噪声用户之间的相似程度,降低了噪声用户被识别的机率,进一步隐藏了真实用户。实验结果表明,与其他主流算法相比,密度压缩算法能够更有效地抵抗基于速度预测的攻击行为,具有更好的隐私保护能力。在执行时间和隐私保护成功率等方面的实验结果进一步表明,该算法更适合在路网环境下提供隐私保护服务,具有广阔的应用前景。

关键词：轨迹隐私隐私保护速度预测查询密度

在线全文

学校读者我要写书评

暂无评论

基于对比度和共识日的交通速度预测

山东科技大学学报（自然科学版） 2023年第2期42卷 108-116页

作者：孙秋霞孙砚琦李勍山东科技大学数学与系统科学学院山东青岛266590

交通速度预测是智能交通系统中研究热点内容之一,准确预测交通速度有助于为出行者提供可靠的出行决策。考虑到路网中交通速度变化的时空关联性和规律性,本研究提出一种基于对比度和共识日的交通速度预测方法。首先,为捕捉短时内速度的... 详细信息

交通速度预测是智能交通系统中研究热点内容之一,准确预测交通速度有助于为出行者提供可靠的出行决策。考虑到路网中交通速度变化的时空关联性和规律性,本研究提出一种基于对比度和共识日的交通速度预测方法。首先,为捕捉短时内速度的变化特征,挖掘道路的空间关联性,构建对比度模型并根据其值更新历史数据的交通状态集;其次,采用K-means方法对更新后的数据集进行聚类,通过Rand指数识别出每簇的共识日,并根据其信息预测交通速度;最后,借助RMSE、MAE和ACC等指标分析了预测方法的有效性。分析结果表明,本研究方法预测准确率达93.8%,预测精度较高,计算速度较快,具有更好的适用性。

关键词：智能交通对比度聚类分析共识日识别速度预测

在线全文

学校读者我要写书评

暂无评论

基于速度预测的锻造操作机大车定位控制研究

液压与气动 2022年第10期46卷 182-188页

作者：刘晨荣魏海涛张晓丽王宏亮兰州兰石集团有限公司能源装备研究院甘肃兰州730314

基于仿真技术分析锻造操作机制动过程,指出马达出口压力控制是操作机制动控制的关键,采用比例溢流阀控制马达出口侧压力,可解决操作机停车振荡,实现操作机平稳快速停车。利用速度反馈比例控制溢流阀,当比例增益一定时,操作机制动距离与... 详细信息

基于仿真技术分析锻造操作机制动过程,指出马达出口压力控制是操作机制动控制的关键,采用比例溢流阀控制马达出口侧压力,可解决操作机停车振荡,实现操作机平稳快速停车。利用速度反馈比例控制溢流阀,当比例增益一定时,操作机制动距离与制动瞬时操作机的速度满足二次函数关系。为提高定位精度,引入比例增益补偿系数,并在大量仿真基础上总结了速度反馈比例增益及补偿系数的计算方法。提出基于速度预测的锻造操作机大车定位控制方法,仿真验证提出的控制方法有效,对于目标操作机任意指定步长,其定位精度均可达到±0.5 mm。

关键词：锻造操作机制动优化速度预测补偿控制

基于深度学习的多步预测方法在太阳风速度预测上的应用

在线全文

学校读者我要写书评

暂无评论

航天器环境工程 2021年第3期38卷 263-270页

作者：毛凯舟谢宗霞孙彦茹刘梓璇天津大学智能与计算学部天津300350

为对近地环境太阳风状况进行可靠预测,引入基于深度学习的多步预测方法来预测在太阳与地球之间的拉格朗日点1(L1)处距离输入观测数据序列未来24、48、72、96 h的太阳风速度。采用SDO的图像数据提取冕洞面积等特征信息,并从NASA OMNIWEB... 详细信息

为对近地环境太阳风状况进行可靠预测,引入基于深度学习的多步预测方法来预测在太阳与地球之间的拉格朗日点1(L1)处距离输入观测数据序列未来24、48、72、96 h的太阳风速度。采用SDO的图像数据提取冕洞面积等特征信息,并从NASA OMNIWEB数据集提取其他输入特征,形成多变量的时序数据作为太阳风速度预测的输入信息,输出未来某时刻附近几个小时的太阳风速度。预测过程中分别采用单一LSTM模型、编解码器LSTM模型和CNN-LSTM编解码器模型3种深度学习预测模型作为基模型,融合多步输出端数据进行对比分析。实验表明,多步预测相较于单步输出预测,对未来24、48、72、96 h的太阳风速度预测的相关系数和精度均有所提高,其中单一LSTM模型对于未来24 h太阳风速度的多步预测结果最佳——与观测数据的相关系数为0.789,均方根误差为62.469 km/s,平均绝对误差为46.476 km/s。

关键词：太阳风速度预测深度学习多步预测

在线全文

学校读者我要写书评

暂无评论

融合多因素的时空注意力图卷积交通速度预测

融合多因素的时空注意力图卷积交通速度预测

作者：曲天棋北京交通大学

学位级别：硕士

随着交通拥堵对社会经济影响的日益加剧,在城市交通系统中,交通预测对实现有效的交通管理具有举足轻重的作用,已经成为智能运输系统研究的重点任务之一。交通预测是十分复杂的问题,涉及空间因素、时间因素、道路结构特征和天气因素,因... 详细信息

随着交通拥堵对社会经济影响的日益加剧,在城市交通系统中,交通预测对实现有效的交通管理具有举足轻重的作用,已经成为智能运输系统研究的重点任务之一。交通预测是十分复杂的问题,涉及空间因素、时间因素、道路结构特征和天气因素,因此精准预测交通速度仍面临巨大挑战。现有的大多数方法较难有效地捕获交通数据复杂的时空变化模式。此外,现有方法常忽略天气条件等环境因素的影响,使得预测效果不够理想。因此,本文为了更加准确地预测交通速度,考虑复杂的时间属性和空间拓扑属性以及道路结构特征和天气状况,提出了基于图卷积网络的预测模型,主要研究内容和贡献如下:(1)提出了注意力时空图卷积(Attention Temporal-spatial Graph Convolution Network,ATGCN)交通速度预测模型,从空间维度和时间维度进行建模。从空间的角度来讲,互相连接的路段之间交通速度彼此影响。在时间关系中,间隔较近的时间点之间存在着一种趋势,但由于交通状态也受到外部因素的影响,因此间隔较远的过去的时间点的重要性和影响程度不一定比最近的时间点小。在本研究中,ATGCN模型可同时捕获长短时时间动态和空间相关性。ATGCN模型通过使用门控递归学习时间序列中的短时趋势并通过图卷积网络基于道路网络的拓扑来学习空间相关性。此外引入了注意力机制来调整不同时间点的重要性,并将全局时间信息集合以提高预测精度。实验结果和分析阐明了所提出的ATGCN在交通预测任务中性能的提升。(2)进一步探索道路空间特征和影响速度预测的因素,对ATGCN模型进行了完善,深入挖掘道路结构特征,并考虑天气因素的影响,提出了融合多因素的时空注意力图卷积(Attention Spatio-temporal Graph Convolution Network Fusing Multi-factors,ASMGCN)交通速度预测模型。具体而言,该模型不仅考虑典型时空特征,也考虑兴趣点(Point of Interest,POI)和天气状况对交通速度预测的影响。例如,在餐馆数量较多的路段,就餐时段的交通状态会与其他时段有明显差异。当天气由晴转大雨时,车辆速度一般会降低。针对ATGCN模型不能综合道路空间特征关系的问题,ASMGCN模型通过构建道路模式相似图和功能相似图,增强感知道路空间特征的能力,从而提高预测精度。另外,针对ATGCN模型不能考虑天气因素对预测产生影响的问题,ASMGCN模型在多因素模块中添加天气状况因素。同时,针对POI因素和天气因素进行消融实验,分析不同因素对交通速度预测产生的影响。最后,实验结果和分析阐明了ASMGCN模型在交通预测任务中性能的提升。本文共有图34幅,表9个,参考文献72篇。

关键词：速度预测图卷积兴趣点天气状况时空相关性注意力机制