一种基于交替乘子法的时间序列预测方法.docxVIP

一种基于交替乘子法的时间序列预测方法 基于时间序列预测的序列及算法 时间序列预测法源于数学和统计理论，并对随机数据序列中的统计规律进行了探讨。时间序列预测法承认了事物发展的连续性，使用过去的时间序列数据进行统计分析，推测事物发展趋势。时间序列预测法广泛应用于许多经济和固体领域，如交通、能源、金融、医学、农业和制造业。基于时间序列预测的序列蒙特卡罗（smc）方法。 = 式中:向量 = 式中:向量 ( 式中: (4) 式中:似然概率 1 嵌入交替序列预测和相关滤波时间序列的预测 1.1 重要性的计算 在蒙特卡洛方法中,序列重要性采样 = SIS算法给出的最优重要性概率密度为 ( 综合式(5)和式(6),粒子权值 (7) 以上计算存在的问题是:粒子状态估计过程中,依据式(6)进行粒子采样,从而由式(7)计算粒子权值 1.2 初始特征提取 图1所示为本文ACSIR算法的执行流程,首先由深度卷积神经网络(Deep Convolution Neural Network,DCNN)提取初始特征,在 1.2.1 有8式 MOSSE-CF (8) 式(8)中: (9) 式中: 1.2.2 计算对策优化变量 设定图像块?由 argmin 式中: (11) 式中:对偶优化变量 1.2.3 反应图r的计算 对于搜索窗口为 (12) 式中: 1.2.4 辅助变量的计算 Step 1 初始化参数 1) 确定目标中心的起始坐标、粒子数 2)训练观测量的平均交互相关与自相关谱,初始化ADMM-CF中h的参数初值; 3)基于VOT2016数据集 Step 2 目标状态观测与估计 在 Step 3 采用ADMM-CF算法对粒子集进行重新定位 Step 3.1 求取ADMM-CF相关滤波器h 采用ADMM方法消解边界效应,引入辅助变量 Step 3.2对偶优化变量的计算 依据深度卷积神经网络预训练出的k个Conv3、Conv4和Conv5特征,采用式(11)计算每个粒子i对应的对偶优化变量z Step 3.3响应图 采用式(12)计算 Step 3.4 粒子点权值的计算 依据式(7),针对 Step 4 粒子重采样处理 为避免粒子退化问题,进行重采样处理.仅当有效采样尺度 (13) Step 5 计算目标当前状态 (14) Step 6 转到Step 2执行至流程结束. 2 试验结果与比较的分析 2.1 采用实验中颗粒收集量与误差的比较 选取仿真系统的状态方程: (15) 仿真系统的观测方程为: (16) 时间步 采用属于时间序列预测的SIS 2.2 根据图像采集时间序列预测的数据比较 在标准图像数据集VOT 2.2.1 图像背景处理 从VOT序列图像集中选取2 000幅车辆正样本图像,从背景中选取2 000幅背景图像.首先将图像集做归一化处理,其次由深度卷积神经网络 2.2.2 预测成功率与绩效率之比 采用算法确定的目标边界框 (17) 按照目前大多数目标预测方法所采用的通用约定规则 3 基于时间序列预测的acsir方法 借助时间序列预测方法对城市道路上的交通视频流进行分析,从视频中提取车辆信息,形成城市范围内车辆通行轨迹数据,在此基础上采用相关技术构建车辆行车信息数据库,为交通系统分析与交通需求预测提供关键的数据支持.在属于时间序列预测的序列蒙特卡洛方法中,由于选择近似的建议分布后造成目标状态估计过程的计算数据存在着较大误差,因而在采用时间序列预测算法预测目标过程中,当目标出现突然变向或变速、图像模糊、局部遮挡等情况时,粒子点可能分布在错误的采样区域上,错误分布的粒子点将迭代出权值更大的粒子点,进一步地诱导粒子点出现在错误的采样区域,从而很容易导致预测失败.在序列蒙特卡洛方法的基础上,本文提出一种新的时间序列预测ACSIR方法,首先由交替方向乘子优化计算以解决相关滤波器的边界效应,由优化过的相关滤波器获取目标的响应图,同时依据当前时刻状态量的观测共同引导粒子集的重新定位,进而降低目标状态估计过程带来的误差.