质量相关故障诊断是当前过程控制领域的研究热点之一，然而过程变量与质量变量间的复杂关系使得故障检测性能提升和可视化呈现面临严峻挑战。为此，提出了一种新的质量相关故障诊断方法和故障量化评估准则。首先，基于提升树模型解析过程变量与质量变量间的关联，并根据提升树模型的3个特性定义特征重要性分数。然后，将特征重要性分数应用于支持向量数据描述的权衡参数中，构建特征重要性正则化的支持向量数据描述(Feature Importance Regularized Support Vector Data Description, FIR-SVDD)。最后，在核空间中利用投影球面距离度量进行故障量化评估。采用田纳西-伊斯曼化工数据和HYDAC液压系统数据进行对比实验，结果表明所提方法具有更好的性能。
智能交通状态监控与预警系统是建立“智慧城市”的必要应用系统。对未来高峰期交通状态的准确预测有利于缓解城市交通拥堵,规避因拥堵带来的不可预知后果,合理建设交通设施并提高城市交通的运转效率,是“智慧城市”对智能交通方向研究的要求与期待。对交通情况的提前预知和危险防范可以有效避免安全事件的发生,可以对即将发生的城市拥堵进行分流和调控。高峰期短时交通的准确预测可以为交通管理部门提供控制干预的理论支持,有效避免可能出现的安全问题,可以科学合理的提前做好交通诱导和规划。可靠,准确,鲁棒的交通状态预警是智能交通领域的核心内容,具有重要的研究意义与合理的应用价值。本文以高峰期短时交通状态的预测为研究课题,以上海地铁数据和长春出租车数据为研究对象,通过历史交通状态与高峰期前一段时间的交通状态为依据,融合部分外部数据,预测高峰期的短时交通状况。首先处理和分析上海地铁入站流量数据和长春市路网速度数据。将上海市地铁平均流量作为特征,以皮尔逊相关系数作为相关性度量对地铁站聚类。将长春市汽车轨迹利用Arcgis进行地图匹配,计算路网通行速度。为了提高对高峰期短时交通状态预测的精度,缓解因短时交通剧烈波动造成的干扰,本文合理利用外部数据,如天气信息与空间POI信息(Point of Interest),从时空两个维度来刻画交通情况,提出时间序列性,时间特殊性,空间客观因素,空间现实因素等影响因素,给出一种针对交通情况预测的通用特征工程方法,在加权回归模型中引入因子参数,并利用梯度提升树模型(XGBOOST)进行建模与预测,针对模型的偏好使用合理的方式来进行模型融合,最后将预测结果与真实数据进行对比。最后,在测评标准中使用均方根误差(RMSE)与平均相对误差(MAPE),证明了该模型在上海市地铁进站客流量预测和长春市路网交通拥堵程度预测的应用下,均有足够的有效性和较高的准确性。本文研究结论表明:本文修改后的因子加权回归模型要优于传统的加权回归模型,在针对不同数据和不同条件下的高峰期短时交通状态预测问题中,本文提出的时空维度特征工程可以缓解高峰期数据不规则带来的影响,降低对未来交通情况预测的误差。利用了多源数据融合特征工程方法的提升树模型不仅优于传统机器学习模型,也要优于仅仅使用历史数据的提升树模型。最后本文使用的模型融合策略有效的提高了对高峰期交通情况的预测精度。
暂无评论