1. Прогнозирование краткосрочного потока трафика с использованием фильтрации Калмана (arXiv)
Автор:Хондхакер Аль Момин, Саурав Баруа, Md. Шахрир Джамиль, Омар Фарук Хамим
Аннотация. В ходе исследования изучалось прогнозирование количества потоков трафика в течение короткого промежутка времени с помощью метода фильтрации Калмана (KFT), метода вычислительной фильтрации. Краткосрочное прогнозирование трафика является важным инструментом для работы в системе управления дорожным движением и транспортной системой. Результаты краткосрочного значения транспортного потока могут использоваться для оценки времени в пути с помощью системы управления маршрутом и передовых информационных систем для путешественников. Хотя KFT был протестирован для однородного трафика, его эффективность в гетерогенном трафике еще предстоит изучить. Исследование проводилось на Мирпур-роуд в Дакке, недалеко от мечети Собханбаг. Поток содержит разнородную смесь трафика, что подразумевает неопределенность прогноза. Предлагаемый метод выполняется на Python с использованием библиотеки pykalman. Библиотека в основном используется в расширенном моделировании баз данных в рамках KFT, что устраняет неопределенность. Данные были получены из трехчасового подсчета трафика транспортного средства. Согласно Руководству по стандартам геометрического проектирования, опубликованному Отделом дорог и автомагистралей (RHD) Бангладеш в 2005 году, значение разнородного транспортного потока было переведено в эквивалентную единицу легкового автомобиля (PCU). Затем PCU, полученный в результате пятиминутной агрегации, использовался в качестве набора данных предлагаемой модели. Предлагаемая модель имеет среднюю абсолютную процентную ошибку (MAPE) 14,62, что указывает на то, что модель KFT может достаточно хорошо прогнозировать. Среднеквадратическая процентная ошибка (RMSPE) показывает точность 18,73%, что меньше 25%; следовательно, модель приемлема. Разработанная модель имеет значение R2, равное 0,879, что указывает на то, что она может объяснить 87,9 процента изменчивости в наборе данных. Если бы данные собирались в течение более длительного периода времени, значение R2 могло бы быть ближе к 1,0.
2. Фильтр Калмана с импульсными выбросами: надежный последовательный алгоритм для фильтрации данных с большим количеством выбросов (arXiv)
Автор: Бертран Клоэ, Бенедикт Фонтез, Элиэль Гонсалес Гарсия, Изабель Санчес
Аннотация:выбросы импульсного шума – это точки данных, которые значительно отличаются от других наблюдений. Обычно они удаляются из набора данных с помощью алгоритма локальной регрессии или фильтра Калмана. Однако эти методы или их обобщения неэффективны. подходит, когда количество выбросов того же порядка, что и количество данных с низким уровнем шума. В этой статье мы предлагаем новую модель импульсных выбросов, основанную на простых скрытых линейных гауссовских процессах, как в фильтре Калмана. Мы представляем алгоритм быстрой перемотки вперед-назад для фильтрации и сглаживания последовательных данных, который также обнаруживает эти выбросы. Мы сравниваем надежность и эффективность этого алгоритма с классическими методами. Наконец, мы применяем этот метод к реальному набору данных из системы Walk Over Weighing, допускающей около 60% выбросов. Для этого приложения мы дополнительно разрабатываем (явный) EM-алгоритм для калибровки некоторых параметров алгоритма.
3. Новая схема шумоподавления ЭКГ с использованием ансамблевого фильтра Калмана (arXiv)
Автор: Садаф Сарафан, Хоанг Выонг, Даниэль Джилани, Самир Малхотра, Майкл П. Х. Лау, Манодж Вишванатх, Тадессе Гирмай, Хун Цао
Аннотация: Мониторинг электрокардиограммы (ЭКГ) предоставляет жизненно важную информацию, а также любые сердечно-сосудистые аномалии. Недавние достижения в технологии носимой электроники позволили компактным устройствам получать личные физиологические сигналы в домашних условиях; однако сигналы обычно загрязнены шумом высокого уровня. Таким образом, крайне необходима эффективная схема фильтрации ЭКГ. В этой статье разработан новый метод с использованием Ensemble Kalman Filter (EnKF) для шумоподавления сигналов ЭКГ. Мы также интенсивно изучаем различные алгоритмы фильтрации, в том числе фильтр Савицкого-Голея (SG), разложение по эмпирическим модам ансамбля (EEMD), нормализованный метод наименьших квадратов (NLMS), рекурсивный фильтр наименьших квадратов (RLS), полное шумоподавление (TVD), Вейвлет и расширенный фильтр Калмана (EKF) для сравнения. Использовались данные из базы данных MIT-BIH Noise Stress Test. Предлагаемая методология показывает среднее отношение сигнал-шум (SNR) 10,96, процентную разницу корней 150,45 и коэффициент корреляции 0,959 из модифицированной базы данных MIT-BIH с добавленными артефактами движения.
