关键词： 甲基苯丙胺成瘾   诱因凸显性   线索反应性   眼动追踪   虚拟现实   支持向量机  

摘要： 成瘾是一种慢性、复发脑疾病。药物滥用是全球性的公共安全健康问题，近年来，国内外的药物滥用形势日益严峻。异常的线索反应性是成瘾的核心特征之一，这与动机、注意和记忆相关脑区活动的增强有关。诱因凸显性(incentive salience)是一种具有高度吸引力的动机形式，纹状体多巴胺系统的异常变化使得药物相关线索获得诱因凸显性，从而吸引和维持成瘾者的注意资源，表现出与药物相关的注意偏向且动机增强。注意偏向相关的线索反应是评估成瘾严重程度、预测复吸风险和预后效果的重要指标。然而目前成瘾相关的注意偏向的测量研究，由于实验范式的差异以及测量结果的不稳定而存在一定分歧。眼动追踪技术为视觉注意过程提供了客观和定量的指标，作为生态效度更高且客观的注意偏向的内隐测量方式，眼动可能为我们探究药物线索诱发态下的动机属性和注意资源分配提供有效帮助。此外，眼动技术由于其便捷性被广泛应用在神经精神疾病研究中，且在机器学习的研究中表现出很好的分类应用。本研究结合虚拟现实和眼动追踪技术，通过提取在虚拟场景下线索反应的各种眼动指标，探索使用机器学习的方法有效区分甲基苯丙胺成瘾和健康人群的眼动特征。寻找甲基苯丙胺成瘾的行为标记物，为成瘾行为的早期识别和干预提供依据。　　本研究通过建立包含甲基苯丙胺、中性和自然奖赏等不同类型环境线索的虚拟场景，结合眼动追踪技术，使用自然浏览任务，探讨在自然环境下，甲基苯丙胺成瘾者的注意定向和注视模式。通过提取眼球运动特征（如注视、眼跳、瞳孔直径和注视熵等）和使用有监督的机器学习算法（即支持向量机，SVM），探索识别甲基苯丙胺成瘾的技术与方法。　　本研究共收集了217名被试的眼动数据（甲基苯丙胺成瘾者131名，健康对照组86名）。对比甲基苯丙胺成瘾者与健康对照组对不同刺激的眼动反应（包括注视、眼跳和瞳孔反应）。结果表明，成瘾者对药物线索的总注视时间更长，且表现出更活跃的眼跳反应，而对性相关线索表现出明显的回避反应，这表明诱因凸显性加工对不同类型的奖赏线索具有特异性的反应。同时，在自由浏览任务过程中，相比于健康对照组，成瘾者具有更小的瞳孔直径和更大的瞳孔熵值，表明成瘾者瞳孔变化的无序性或混乱程度更高，提示成瘾者的认知控制能力可能有所下降。特别地，我们使用注视熵探索个体在复杂视觉环境中的注视模式，以此衡量在虚拟场景下自由浏览任务中的视觉扫描效率。结果显示，与健康被试相比，成瘾者的注视转移熵更低（接近显著），意味着成瘾者在含有药物线索的场景中表现出刻板的视觉扫描模式和更固着的注视行为。　　使用眼动数据进行机器学习训练的结果显示，基于眼动的线性SVM分类模型可以有效区分成瘾和健康人群，分类器交叉验证的预测准确率为73.35％，敏感性为81.57％，特异性为72.22％，受试者操作特征曲线下面积(AUC)为0.78。性相关刺激作为敏感线索，个体对性相关线索的眼动反应对分类器有较大的贡献，指标包括回视次数、注视比率、总注视时间和回视时间。此外个体的瞳孔直径和瞳孔熵也是对分类器有较大贡献的指标。对比统计分析和机器学习的结果，总体上，在两个组之间存在显著差异的特征对分类器的贡献率更高。使用成瘾组一周后的重测数据（81名）验证模型的泛化可靠性，结果表明基于眼动数据的SVM分类器具有良好的可靠性，分类准确率为85.19％。　　这些结果提示了基于眼动的SVM分类器在鉴别甲基苯丙胺成瘾方面的潜在应用。识别成瘾的行为标记物，有助于鉴别药物滥用，且对成瘾的干预和治疗具有重要意义。

关键词： 工程成本   成本估算   非线性拟合   改进灰狼优化的支持向量机  

摘要： 开发住宅小区时,工程成本会受到诸多因素影响,各个影响因素之间的内部关联较大,影响因素的变化会改变其内部的关联关系。通过工程实例研究发现,住宅小区项目的成本主要取决于其工程特征,而工程成本的估算方式并不是简单的影响因素间的加权求和,因此,基于机器学习算法的评价手段,建立影响因素与工程成本之间的非线性映射关系,可以为实现工程成本的智能化估算提供新的方法和技术。首先,本文以往期住宅工程成本估算为研究对象,据企业内部成本管理手册,分析了不同工程特征（影响工程成本因素）的数据特点,确定特征组成及数据估算方案。其次将待估算数据分为华中区、河南区、华东区、京津翼、大湾区以及华西区6个区域对象,把15个特征因素作为影响因素对工程成本进行估算分析。本文在改进灰狼优化原理与支持向量机算法的基础上,提出一种改进灰狼优化的支持向量机（IGWO-SVM）方法。接着为了对比分析改进灰狼优化的支持向量机（IGWO-SVM）在工程成本估算过程中的优势和有效性,先基于经典的神经网络算法,包括BP人工神经网络（BP）、极限学习机（ELM）以及模糊神经网络（FNN）建立15个工程特征与工程成本之间的拟合关系,同时与经典的粒子群优化的群智能搜索方法进行对比,利用相关系数（R2）、均方根误差（RMSE）和相对误差（RC）来评价估算效果。最后,利用SVM的径向基核函数（RBF）将低维15个特征数据映射到高维空间中进行线性估算,利用IGWO改进影响SVM估算性能的两个重要参数,基于上述的R2、RMSE和RC进行估算效果的对比分析。从评价结果来看,整体上华中区、京津翼、大湾区的工程成本估算效果要优于河南区、华东区以及华西区。机器学习方法中FNN取得了最好的平均估算效果,对6个区域的整体平均估算R2为0.9470,RMSE为204.6303,RC为4.2283%;BP最差,对6个区域的整体平均估算R2为0.8919,RMSE为329.7094,RC为6.97%。而IGWO-SVM获得了最好的估算效果,对6个区域的整体平均估算R2为0.9902,RMSE为77.9165,RC为1.5833%。并基于IGWO-SVM,对工程实例的幸福里小区的工程成本进行了估算,得到了相对于实际工程成本2.39%的计算偏差。本文的研究结果表明,IGWO-SVM可以作为一种有效的智能化估算方法实现工程特征和工程成本之间的非线性拟合,为实现工程成本的提供新的方法和技术。

关键词： 密度泛函理论   哈特利-福克方法   统计机器学习   自动微分技术  

摘要： 哈特利-福克方法和密度泛函理论是量子化学和凝聚态物理中最为常用的两种计算方法。因为它们都是从量子力学的基本理论出发,并且方法中很少使用经验参数,所以也被称为第一性原理计算方法。第一性原理计算方法可以帮助我们从微观层面定量计算材料的各种物理性质,这种方式极大地加速了我们对奇异材料物理性质的探索。近些年来拓扑绝缘体和外尔半金属方法的研究进展,很大程度上依赖于第一性原理计算与实验的结合。密度泛函理论是我们研究电子结构的重要工具,现在大规模使用的一种密度泛函理论方法主要是基于1965年的Kohn-Sham方法发展而来,不过这种方法在研究原子数较多的体系时存在计算复杂度过高的问题。密度泛函理论的另外一种高效的实现方法是从1964年Hohenberg-Kohn定理发展出来的无轨道密度泛函方法,虽然经过半个世纪的发展,无轨道密度泛函理论中仍然存在一些开放性的问题,关于动能泛函表达式的研究是其中最重要的一个。在这篇文章的第二章中,我们介绍了使用机器学习方法拟合一维周期性系统动能泛函的思路。机器学习方法能够有效地从复杂的高维数据中提取出潜在的规律,被广泛应用于推荐系统、计算机视觉和自然语言处理的研究之中。我们设计的算法基于高斯过程,并且利用系统的周期性对数据进行了降维。我们经过训练得到的动能泛函不仅能够完成预测动能和动能关于电子密度的泛函导数的任务,还能够结合变分原理计算系统的基态电子密度。哈特利-福克方法是研究量子多体物理的最基本的方法,它将多体系统的量子态表示为一系列单粒子轨道的斯莱特行列式,并通过自洽迭代的方法求解这些单粒子轨道。自洽迭代方法的收敛速度较慢,虽然可以通过合适的初始化进行加速,但我们还是希望能够设计出一种具有更快收敛速度的算法。本文的第三章中,我们基于Thouless定理推导出一种参数化哈特利-福克近似下单体密度矩阵的方法。在我们设计的密度矩阵哈特利-福克算法中,我们用拟牛顿法替代了传统的自洽方法。我们设计的算法可以将一些基函数中包含的参数与单体密度矩阵一起进行优化,优化过程中需要的导数则可以通过自动微分方法由程序直接求出。

关键词： 电视剧数据   播放指数预测   随机森林   决策树  

摘要： 在互联网高速发展的时代,对电影、电视制片等产业的发展来说海量的信息数据起着十分关键的作用,通过对这些数据的分析,可以更好地针对目标群体来制作影视剧,给企业带来更高的利润.毋庸置疑,在影视产业的发展中,大数据正发挥着越来越关键的作用.目前基于大数据对于电影票房的预测研究有很多,但是电视剧播放量的预测相对较少,本文选取爱奇艺网本地电视剧的数据,利用机器学习的几个方法构建模型(多元回归模型、贝叶斯模型、SVM模型、决策树模型和随机森林模型)对电视剧播放指数进行分类预测,最终通过比较可以看出随机森林模型的预测效果最佳,正确率达到了82.53%.对播放指数进行预测对于电视剧发行商如何选择拍摄电视剧的类型、设置电视剧集数、幕后花絮发布多少;视频播放网站选择何种电视剧上映、选择营销方法;广告商们将广告投放在哪部电视剧上等等,都有着一定的参考价值.

关键词： 代谢组学   化学计量学   机器学习   深度学习   极限学习机   堆叠自动编码器   分层极限学习机   集成学习   选择性集成   新生儿代谢缺陷  

摘要： 代谢组学是生物流体或组织中低分子量代谢物动态变化的量度。代谢组学研究的基本策略为基于高通量分析技术量测的高维数据的获得和基于化学计量学方法的代谢组学数据解析。此类数据通常具有小样本、高维、高噪和易含奇异样本的特性。化学计量学在代谢组学数据解析中的两项主要任务为识别各组之间的代谢差异(即模式识别)并筛选出表征各组之间代谢差异的潜在的重要生物标志物(即变量选择)。近年来,分析技术平台的不断发展导致生成的数据结构的规模和复杂性不断增加,这也给现存的基于化学计量学的代谢组学数据解析方法带来了巨大的挑战。因此,探索发展适合于代谢组学数据特性和分析任务的化学计量学方法是非常必要的。代谢组学数据解析中,通常构建单个识别模型以实现代谢差异识别和潜在的生物标志物找寻。然而,已有研究表明:基于单个模型给出的结果往往在一定程度上是不稳定和不可靠的。在本论文中,鉴于分类树算法(classificationtree,CT)和随机森林算法(random forest,RF)能自动选择出重要的变量和确定其相应的重要性值,集成算法提高单个模型的识别结果和变量选择的稳定性和可靠性,机器学习算法中极限学习机(extreme learningmachine,ELM)、堆叠式自动编码器(stackedauto-encoders,SAEs)和分层极限学习机(hierarchical extreme learningmachine,HELM)优越的模式识别性能,我们发展了三种新型的代谢组学数据解析方法,并将其用于基于GC-MS量测的尿液样本的新生儿代谢缺陷(inborn errors of metabolism,IEMs)的早期筛查中。具体工作内容如下:(1)在本章中,考虑到ELM在模式识别方面的优势以及无法实现重要变量界定的缺点,我们引入CT算法作为ELM模型构建前的变量选择的filter方法,开发了一种基础学习算法,即,分类树极限学习机(classification tree extreme learning machine,CTELM)。在CTELM中,我们首先构造一棵未经修剪的分类树。在此基础上,将CT中的分枝变量作为ELM的输入。CT中涉及到的总节点数定为ELM中隐含层的神经元数。此外,考虑到选择性集成算法可以显著提高单个模型的鲁棒性和可靠性,我们又设计了基于粒子群优化算法(PSO)和Boosting的选择性集成算法,并将其与CTELM结合使用以形成一种新的稳健的适合于代谢组学数据特点和分析要求的化学计量学方法,即基于粒子群优化的选择性推进分类树极限学习机(particle swarm optimization-boosting-classification tree extreme learning machine,PSO-BST-CTELM)。在PSO-BST-CTELM中,首先通过迭代的方式不断更新权重来构建一系列的CTELM子模型,然后通过PSO选择部分准确性高且差异性大的子模型,以形成最终的集成系统。新提出的PSO-BST-CTELM与推进分类树极限学习机(boosting-classification tree extreme learning machine,BST-CTELM)、CTELM 和 ELM同时用于两种最常见的IEMs,即甲基丙二酸血症(MMA)和丙酸血症(PA)的GC-MS尿液代谢组学数据解析。结果表明,CT的引入很好地克服了 ELM的模型解释性差的问题,而PSO-BST-CTELM可以进一步提高单个CTELM模型的泛化能力和稳定性。此外,结合单因素方差分析(one-way ANOVA)和倍数差异(foldchange),PSO-BST-CTELM鉴定了 3种与MMA疾病相关的潜在生物标志性代谢物,包括甲基丙二酸、3-羟基丙酸和甲基枸橼酸,3种与PA疾病相关的潜在生物标志性代谢物,包括3-羟基丙酸、甲基枸橼酸和巴豆酰甘氨酸。(2)在本章中,考虑到自助集成分类树算法(baggingclassification tree,BAGCT)在变量选择中的良好可靠性和稳健性,以及传统的SAEs算法无法识别分类模型的贡献因子(即重要变量),我们将BAGCT与SAEs结合,发展了自助集成分类树-堆叠自动编码器(bagging classification tree-stacked auto-encoders,BAGCT-SAEs)。BAGCT首先利用Bagging技术并行建立一系列的CT模型,继而通过整合这一系列CT子模型提供的分枝变量和相应的变量重要性值,从而确定重要变量子集,以用于后续的SAEs模型构建。本文将新提出的BAGCT-SAEs联合SAEs、RBFN、SVM和PLSDA算法,用于两种最常见的IEMs(戊二酸血症1型,GA1)和丙酸血症

摘要： Volcan de Fuego is an active stratovolcano located in the Central Guatemalan segment of the 1100 m long Central America Volcanic Arc System (CAVAS). Fuego-Acatenango massif consists of at least four major vents of which the Fuego summit vent is the most active and the youngest member. The volcano exhibits primarily Strombolian and Vulcanian behavior along with occasional paroxysms and pyroclastic flows. Historically, Fuego has produced basaltic-andesitic rocks with more recent eruptions progressively trending towards *** studies have used short-term deployments of broadband seismometers, infrasound, and long-term remote sensing techniques to characterize the mechanism of Fuego. In our study, we analyze the tilt derived from transient broadband seismometers and tiltmeter stationed over several days during 2009, 2012, and 2015 near the summit crater using unsupervised learning. Unsupervised learning has the potential to play a significant role in monitoring volcanoes dominated by large, unlabeled datasets. In our study, we make use of dynamic time warping distance measure along with unsupervised classification methods to identify precursory tilt signals. The unsupervised classification revealed two types of tilt signals with opposite polarity, one of which confirms features identified in previous studies while the other signal has been previously unknown. Template matching implemented with the known signal identified 268 events between October 1, 2015, and January 13, 2016, the duration of which varied between 7 and 39 minutes. The temporal distribution of these events as well as the maximum amplitude of inflation showed clustering activity accompanied by intra-cluster waxing and waning. We created subsets of temporal clusters and calculated repose times between successive events. Auto-correlation functions were calculated for each subset and probability density functions were fitted which support survival/failure processes. The long-term tilt records pro

关键词： 补充汽车保险   定价机制   机器学习   埃及  

摘要： 辅助汽车保险分公司是埃及市场内非寿险的主要分支机构，就保费规模而言居首位，平均市场份额占非寿险投资总额的35.3％，埃及保险公司面临的主要挑战和问题是它们仅依赖两个因素，第一个是汽车的价格，第二个是与补充汽车保险的定价有关的损失率。因此，本研究旨在概述机器学习方法，以研究影响埃及补充汽车保险定价的因素。从一家大型埃及保险公司获得了数据集，该数据集涵盖客户群中的81,628辆汽车和5年内的11个变量。通过使用决策树（DT），XGboost，随机梯度提升，随机森林（RF），支持向量机（SVM），k最近邻（KNN）和广义可加模型进行了研究。实验结果表明，该模型产生了合理的结果。XGBoost模型和随机森林（RF）通过七个模型给出了准确的结果，连续达到65.46％和62.46％。最终，研究结果表明索赔金额与保险金额，索赔频率，性别和汽车品牌之间存在显著关系，并且目标变量与本研究中使用的其他变量之间无显著关系。

关键词： 机器学习   自动睡眠分期   脑电信号   卷积神经网络   循环神经网络   注意力机制   希尔伯特-黄变换  

摘要： 睡眠分期是监测和评估临床受试者睡眠质量的首要任务。美国睡眠医学会规定将人的睡眠状态划分为5个阶段:清醒期（W期）、入睡期(N1期)、浅睡期(N2期)、深睡期(N3期)和快速眼动期(REM期)，各个睡眠阶段具有不同的大脑活动，并会在脑电图上呈现出相应的不同特征。基于大量的睡眠脑电信号数据和专业医师的相应标记，机器学习特别是深度学习为实现自动睡眠分期提供了技术支持，从而有望改善传统人工分期耗时费力的低效局面，提高分期精确率并服务临床需用，同时也能有效地减轻睡眠医师的工作负担。然而，当前关于自动睡眠分期的研究中尚存着脑电信号特征提取和表达、深度学习方法的可解释性提升、各阶段之间转换关系的有效学习等诸多难点，此外，各阶段样本数量极不均衡、脑电信号的个体差异等问题也严重地干扰着现有模型的分类性能。　　为解决上述现存的难题，本文将单通道的脑电信号与自适应的时频特征分析、前沿的机器学习算法相结合，相继提出下述四种自动睡眠分期方法:　　(1)基于边际谱特征和卷积神经网络的自动睡眠分期方法:考虑脑电信号非线性、非平稳的复杂特性，利用希尔伯特-黄变换自适应地获取其有效时频成分，进一步提取边际谱特征输入多通道的一维卷积神经网络进行学习与分类，并引入聚焦损失函数改善类不平衡影响;(2)基于子带分析的脑电信号特征表达方法:根据α波、β波、γ波、δ波和θ波等基本脑波的频率范围，设计子带分析方法对脑电信号的边际谱和功率谱进行划分，结合提升决策树构建了兼具良好可分性和可解释性的参数化特征表达;(3)基于卷积神经网络的双谱特征学习方法:探索脑电信号特征在其双谱的幅值信息和相位信息中的表现，并将稠密连接的二维卷积神经网络学得的双谱特征作为脑电信号的另一特征表达;(4)基于循环神经网络与仿人注意力机制的自动睡眠分期方法:在融合子带特征和双谱特征实现对原始脑电信号有效表达的基础上，通过模拟睡眠医师人工分期过程中的若干细则，设计了一种具备遗忘功能、经验功能和知识功能的仿人注意力机制，进而结合门控循环单元构建了面向完整脑电序列进行高效判别的自动睡眠分期模型。其中，遗忘功能用以学习脑电序列中具有实际意义的局部分期转换关系，经验功能用以适应不同受试者脑电信号的个体差异，知识功能创新地利用马氏距离获取来自群体的先验分期建议，门控循环单元与仿人注意力机制的结合在克服睡眠脑电序列长期依赖问题的同时避免了以往模型对序列的随意裁剪所导致分期转换关系丢失或改变的弊端。　　本文进一步基于SleepEDF公开数据集对所提出方法的性能进行了实验验证、对比和分析，分别利用总体精确率、Macro-F1值和卡帕系数作为模型性能的评估指标，并设置10次蒙特卡洛实验的平均结果作为最终结果。实验结果表明，子带特征相较于边际谱特征有着更好的分类结果，双谱特征可以进一步提升入睡期样本分类的敏感性，而基于融合的子带特征和双谱特征，门控循环单元结合仿人注意力机制面向完整脑电序列取得了极好的分类性能，即总体精确率为92.32％，Macro-F1值为73.96％，卡帕系数为0.74。　　综上，本文所提出的机器学习方法具有实际的医用价值和广阔的推广前景，同时相关的研究思路对包括自动睡眠分期在内的一系列时间序列分类任务具有一定的借鉴意义。

关键词： 序列数据   机器学习   深度学习   注意力机制   岩石物理  

摘要： 岩石物理参数预测一直是油气勘探中的热点。随着油气勘探工作的深入,岩性油气藏的开发逐渐成为当前能源勘探的重点,而岩性油气藏往往需要更加精确的岩石物理参数,对参数预测模型提出了更高的要求。传统岩石物理参数预测模型往往包含了较多的经验值和经验公式,不具有较强的泛化性。通过引入机器学习方法,并结合深度学习模型和注意力机制,能够有效捕捉测井参数的序列特征,构建高精度的序列参数预测模型。论文的主要研究内容如下:首先对研究区的储层特征进行了分析,通过分析储层的区域构造特征、沉积特征、储层特征以及测井响应特征,为岩石物理参数预测模型提供实际地质含义。接着介绍了深度学习模型中的常用模型并在碳酸盐岩和碎屑岩中构建了基于机器学习和深度学习的岩性识别模型。并通过多个分类评价指标,分析方法在不同储层中的识别效果差异。其次,分析常规机器学习在横波回归中起到的作用,并设计多个方案进一步探讨测井参数邻域特征和岩性特征的作用。对多种机器学习方法的基本思想进行了介绍,并应用于基于测井参数的横波识别任务中。在横波回归的结果分析中引入了多个评价指标,从多个角度分析不同机器学习方法的表现。一方面通过测井领域信息增强测井参数的序列特征表达,另一方面引入岩性序列来对横波回归结果进行约束。通过构建基于测井邻域信息和岩性信息构建了多种特征混合方案,分析不同特征在横波回归中起到的具体作用。最后,构建深度学习横波回归模型并嵌入两种注意力机制,分析注意力机制与模型之间的适配性问题。首先构建基于卷积的深度学习模型,并通过对卷积模块进行替换,分析不同改进卷积模块在横波回归中起到的作用。然后对网络模型的不同位置分别引入通道注意力和空间注意力,探讨注意力机制在和深度学习模型结合的适配性问题,以及不同位置注意力的差异性表现。本文在岩石物理参数预测中引入了常规机器学习和深度学习方法,实现了岩性序列和横波序列的精确预测,并在此基础上分析了注意力机制与深度学习模型的匹配问题,为储层的精细化解释提供了基础,也为序列数据预测提供了新的思路。

关键词： 城市轨道交通   客流OD实时预测   客流变化模式   机器学习方法  

摘要： 在城市轨道交通网络化运营条件下,运营者在进行动态运输组织决策时,需要及时准确地预测乘客的出行需求及变化。本文面向常态化运营场景下实时客流OD的预测需求,利用自动售检票(AFC)数据,分析客流变化规律,结合历史客流规律与运营中的实时客流状况对客流OD进行实时预测。本文主要研究内容如下:(1)客流特性分析及研究方案的提出。基于AFC数据,从车站进站客流量和客流去向结构两个维度分析了客流变化规律,总结了常用的客流OD预测方法的特点,形成了路网客流OD实时预测的基本思路与研究框架,包括客流变化模式的分析与识别、客流OD实时预测以及客流OD自适应修正三个环节。(2)客流变化模式的分析与识别。提出了基于局部离群因子(LOF)算法的异常客流检测算法,对非常态化运营条件下的异常客流进行检测。提出运用自适应降噪完全总体经验模态分解(CEEMDAN)算法识别车站进站客流量不同时间尺度的时序分量变化模式,运用K-means++算法识别客流去向结构的类别变化模式,从进站客流量和客流去向结构两个维度对客流变化模式进行了分析识别。(3)客流OD实时预测。在客流变化模式的基础上,基于长短时记忆神经网络(LSTM),分别构建了各个时序分量的预测模型,实现了车站进站客流量的实时预测;基于K近邻(KNN)算法构建了客流去向结构日期类别预测模型,并提出了日期类别下的客流去向结构预测模型,实现了客流去向结构的实时预测。综合进站客流量与客流去向结构的预测结果,实现了客流OD的实时预测。(4)客流OD自适应修正。结合实际运营中能够准实时采集的AFC刷卡信息,构建了基于状态空间模型的客流去向结构预测结果自适应修正模型,并利用粒子滤波算法对模型进行了求解,实现了对客流去向结构的预测结果自适应修正,提高了客流OD预测准确性。(5)以北京市城市轨道交通系统为例,对本文提出的预测方法进行了验证,结果表明本文提出的预测方法具有较好的预测性能。图45幅,表16个,参考文献60篇。