系统辨识相关分析的一种改进

系统参数辨识与控制系统设计一、系统参数辨识的概念与方法系统参数辨识是指通过对待辨识系统进行实验，对其动态特性进行分析，并通过所获得的实验数据推算出系统的参数。

对于控制系统的实现来说，系统参数的准确度是影响控制效果的主要因素之一，因此系统参数辨识是一项非常重要的技术。

系统参数辨识的方法主要有模型法和非模型法。

模型法是基于已知的系统模型进行参数拟合，包括参数估计和参数优化两部分。

而非模型法则是利用实验数据，通过数学分析提取系统参数信息，包括时域分析法和频域分析法。

常见的辨识算法包括最小二乘法、极大似然法、脉冲响应辨识法等。

二、常见的控制系统设计技术控制系统设计是指采用特定的方法和技术，对给定的控制要求进行设计和分析，以达到优化控制效果的目的。

常见的控制系统设计技术包括以下几种：1. PID控制器设计技术PID控制器是一种常用的控制器类型，由比例、积分和微分三个部分组成，其调节速度和精度都比较高。

PID控制器的设计涉及到参数的选择和调节，其中参数选择需要结合系统特性和控制要求，而参数调节则需要通过实验以及相关辨识算法中模型法的思想来完成。

2. 模糊控制技术模糊控制技术是一种新型的自适应控制方法，其主要特点是能够适应不确定和非线性系统，具有较好的鲁棒性和容错性。

模糊控制器的设计需要结合模糊规则的建立和优化，其中模糊规则的建立需要把握系统特点和控制需求，而优化则需要通过实验数据和非模型辨识算法来实现。

3. 自适应控制技术自适应控制技术是一种能够实现系统自动调节的控制方法，其主要思想是通过不断地更新控制器参数适应系统变化，从而达到优化控制效果的目的。

自适应控制器的设计需要结合算法的选用和参数的调节，其中算法的选用需要考虑算法的适应性和鲁棒性，而参数的调节则需要通过相关辨识算法以及实验数据来完成。

三、系统参数辨识与控制系统设计的关系系统参数辨识与控制系统设计是密切相关的。

在控制系统设计中，系统参数的准确性是影响整个设计效果的主要因素之一。

隐患排查治理不到位、岗位风险辨识管控不到位整改措施隐患排查治理不到位、岗位风险辨识管控不到位是企业安全管理中非常重要的问题。

针对这种情况，需要采取一系列的整改措施，以有效地解决这些问题。

本文将就这些问题展开讨论，并提出相应的整改措施。

一、什么是隐患排查治理不到位和岗位风险辨识管控不到位问题？隐患排查治理不到位是指企业未能够对可能存在的安全隐患进行全面、系统的排查和治理，导致潜在的安全隐患未能够得到及时的发现和解决，进一步造成安全事故的发生。

岗位风险辨识管控不到位是指企业未能够对不同岗位的安全风险进行全面、系统的辨识和管控，导致岗位安全隐患未能够得到有效的控制，带来安全风险的潜在扩大。

二、隐患排查治理不到位和岗位风险辨识管控不到位的危害1.安全事故风险增加。

隐患排查治理不到位和岗位风险辨识管控不到位，会导致安全隐患得不到及时的发现和解决，进一步增加了安全事故的风险。

2.生产效率降低。

安全隐患可能导致生产线的停工，从而影响生产效率，降低企业的经济效益。

3.员工健康受损。

安全隐患未能得到有效的治理和管控，会对员工的身体健康产生潜在的危害。

三、隐患排查治理不到位和岗位风险辨识管控不到位的原因分析1.缺乏专业的隐患排查治理和岗位风险辨识管控人员。

企业可能没有专业的安全管理人员，导致隐患排查治理和岗位风险辨识工作的不到位。

2.缺乏有效的排查治理和辨识管控方法。

企业可能缺乏有效的排查治理和辨识管控方法，导致工作无法得到有效的开展。

3.缺乏足够的资金投入。

企业可能缺乏对隐患排查治理和岗位风险辨识管控工作的资金投入，导致工作难以正常展开。

四、整改措施1.建立健全的安全管理体系。

企业需要建立健全的安全管理体系，包括制定相应的安全管理制度和规范，明确相关责任人，确保隐患排查治理和岗位风险辨识管控工作得到有效的开展。

2.加强隐患排查治理和岗位风险辨识管控人员的培训。

企业需要加强对相关人员的培训，提高其隐患排查治理和岗位风险辨识管控的专业能力，确保安全管理工作得到有效的开展。

一、相关分析法(1)实验原理图1 实验原理图本实验的原理图如图1。

过程传递函数()G s 中12120,8.3, 6.2K T Sec T Sec ===；输入变量()u k ，输出变量()z k ，噪声服从2(0,)v N σ，0()g k 为过程的脉冲响应理论值，ˆ()gk 为过程脉冲响应估计值，()g k 为过程脉冲响应估计误差。

过程输入()u k 采用M 序列，其输出数据加白噪声()v k 得到输出数据()z k 。

利用相关分析法估计出过程的脉冲响应值ˆ()gk ，并与过程脉冲响应理论值0()g k 比较，得到过程脉冲响应估计误差值()g k 。

M 序列阶次选择说明：首先粗略估计系统的过渡过程时间T S (通过简单阶跃响应)、截止频率f M (给系统施加不同周期的正弦信号或方波信号，观察输出)。

本次为验证试验，已知系统模型，经计算Hz T T f M 14.0121≈=，s T S 30≈。

根据式Mf t 3.0≤∆及式S T t N ≥∆-)1(，则t ∆取值为1，此时31≥N ，由于t ∆与N 选择时要求完全覆盖，则选择六阶M 移位寄存器，即N =63。

(2)编程说明图2 程序流程图(3)分步说明 ① 生成M 序列：M 序列的循环周期63126=-=N ，时钟节拍1t Sec ∆=，幅度1a =，移位寄存器中第5、6位的内容按“模二相加”，反馈到第一位作为输入。

其中初始数据设为{1,0,1,0,0,0}。

程序如下：② 生成白噪声序列： 程序如下：③ 过程仿真得到输出数据：如图2所示的过程传递函数串联，可以写成形如121211()1/1/K Gs TT s T s T =++，其中112KK TT =。

图2 过程仿真方框图程序如下：④ 计算脉冲响应估计值：互相关函数采用公式)()(1)(10k i y i x Nr k R N r i xy +⋅⋅=∑-⋅=，互相关函数所用的数据是从第二个周期开始的，其中r 为周期数，取1-3之间。

相关分析法通常采用类似白噪声的伪随机信号作为输入测试信号，这种信号对系统的正常工作干扰不大。

通常不加专门的输入测试信号，仅利用正常工作状态下测量的输入及输出信号，就可得到良好的辨识效果。

相关分析法辨识抗干扰能力强、数据处理简单、辨识精度高，因此应用比较广泛，尤其是在需要在线辨识的场合。

相关分析法辨识具有最小二乘法辨识的统计特性，即使在有色噪声干扰下，也可以得到无偏估计，这是它和一般最小二乘法相比最大的优点。

在采用相关分析法进行系统辨识时，系统的脉冲响应函数可由系统的输入及输出数据的相关函数来描述，因此，输入信号的选择及相关函数的估计是相关分析法的关键所在。

持续激励输入信号的要求。

更进一步的要求是输入信号必须具有较好的“优良性”，即输入信号的选择应能使给定问题的辨识模型精度最高。

在具体工程应用中，选择输入信号时还应考虑以下因素：输入信号的功率或幅度不宜过大，以免使系统工作在非线性区，但也不应过小，以致信噪比太小，直接影响辨识精度。

工程上要便于实现，成本低。

相关分析法是属于统计分析的方法，它的理论基础就是著名的维纳-霍甫积分方程。

这个方程为积分方程，不易求解，但如果采用白噪声作为系统输入，则可方便的求出系统的脉冲响应。

但是运用白噪声求系统响应，理论上需要无限长时间上的观测数据，这是不希望和不允许的，因此具有人工可以复制的、有规律的、周期性的伪随机信号是更适合应用的。

这种信号具有类似白噪声的性质，目前最常用的是伪随机二位式序列，它们主要有M序列和逆重复M序列，它们可由计算机或线性反馈寄存器产生。

用M序列和逆重复M序列对系统的脉冲响应进行辨识时，都是在离散的时间上进行的。

由它们获得的响应函数是原函数的一致性估计。

为了提高辨识精度，可采用多个周期输入伪随机序列的方法。

当对系统进行在线辨识时，可以采用脉冲响应的递推计算公式。

多变量系统的脉冲响应的辨识问题，最后要归结为用单变量系统辨识方法进行，所不同的只是较复杂。

“安全风险分级管控”工作制度各专业、科室、单位：为全面辨识、管控矿井在生产过程中，针对各系统、各环节可能存在的安全风险、危害因素以及重大危险源，将风险控制在隐患形成之前，把可能导致的后果限制在可防、可控范围之内，提升安全保障能力，根据集团公司要求并结合我矿实际，特制定本制度。

一、总则安全风险分级管控是指在安全生产过程中，针对各系统、各环节可能存在的安全风险、危害因素以及重大危险源，进行超前辨识、分析评估、分级管控的管理措施。

各单位主要负责人是本单位安全风险分级管控工作实施的责任主体,各业务科室是本专业系统的安全风险分级管控工作实施的责任主体。

二、“安全风险分级管控”组织机构(一)成立“安全风险分级管控”工作领导组：组长：矿长常务副组长：安全矿长、总工程师副组长：生产矿长、通风矿长、机电矿长、基建矿长成员：各专业副总工程师及科室和单位主要负责人。

领导组下设办公室，办公室设在安全监察科。

办公室主任由安监科科长兼任，主要负责检查、督促“安全风险分级管控”工作的实施。

(二)领导组职责1、制定“安全风险分级管控”工作制度，制定实施方案，明确辨识程序、评估方法、管控措施以及层级责任、考核奖惩等内容。

2、制定安全风险辨识的程序和方法(通过对系统的分析、危险源的调查、危险区域的界定、存在条件及触发因素的分析、潜在危险性分析)。

3、指导、督促各专业及科室和单位开展“安全风险分级管控”工作。

(三)办公室职责1、办公室负责“安全风险分级管控”检查、督促“安全风险分级管控”工作的实施。

2、组织相关人员对全矿“安全风险分级管控”实施情况进行检查、考核。

3、承办上级部门和矿“安全风险分级管控”工作领导组交办的其他工作。

(四)职责分工1、矿长是安全风险分级管控第一责任人，对安全风险管控全面负责。

对安全风险分级辨识评估工作进行总体牵头和安排，并按照矿井安全风险评估辨识结果应用于确定年度安全生产重点工作，指导和完善年度生产计划、灾害预防和处理计划、应急救援预案，对安全风险评估辨识的危险因素，按管控措施要求，进行安全管控措施的安排。

北京工商大学《系统辨识》课程调研报告题目类别：系统建模的分类现代辨识方法报告题目：基于神经网络与模糊控制的辨识方法调研目录第一章系统辨识理论综述 21.1系统辨识的基本原理 21.2系统辨识的经典方法 21.3神经网络系统辨识综述 21.3.2神经网络在非线性系统辨识中的应用 2 1.4模糊系统辨识综述 31.4.1模糊系统的结构辨识 31.4.2参数优化的方法 31.4.3模糊规则库的化简 31.5小结 4第二章模糊模型辨识方法的研究 42.1模糊模型辨识流程 42.2模糊模型结构辨识方法 52.3模糊模型参数辨识方法 52.4模糊系统辨识中的其它问题 62.4.1衡量非线性建模方法好坏的几个方面 62.4.2模糊辨识算法在实际系统应用中的几个问题 62.4.3模糊模型的品质指标 62.5小结 7第三章基于两种模型的自行车机器人系统辨识 73.1基于ARX模型的自行车机器人系统辨识 73.2基于ANFls模糊神经网络的自行车机器人系统辨识 73.3 展望 7第一章系统辨识理论综述1.1系统辨识的基本原理根据LA.zadel的系统辨识的定义(1962):系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型"系统辨识有三大要素：(1) 数据。

能观测到的被辨识系统的输入或输出数据,他们是辨识的基础。

(2) 模型类。

寻找的模型范围,即所考虑的模型的结构。

(3) 等价准则。

等价准则一辨识的优化目标,用来衡量模型接近实际系统的标准。

1.2系统辨识的经典方法1、阶跃响应法系统辨识；2、频率响应法系统辨识；3、相关分析法系统辨识；4、系统辨识的其他常用方法；1.3神经网络系统辨识综述1.3.1神经网络在线性系统辨识中的应用自适应线性(Adallne一MadaLine)神经网络作为神经网络的初期模型与感知机模型相对应，是以连续线性模拟量为输入模式，在拓扑结构上与感知机网络十分相似的一种连续时间型线性神经网络。

第四章 系统辨识中的实际问题§4 —1 辨识的实验设计一、系统辨识的实验信号实验数据是辨识的基础，只有高质量的数据才能得出良好的数学模型，而且实验数据如果不能满足起码的要求，辨识根本得不出解。

系统辨识学科是在数理统计的时间序列分析的基础上发展起来的，两者的区别在于系统辨识的对象存在着人为的激励（控制）作用，而时序分析则没有。

因此，前者能通过施加激励信号u(k)达到获得较好辩识结果的目的（即实验信号的设计），而后者不能。

（一）系统辨识对实验信号的最起码的要求 为了辨识动态系统，激励信号u 必须在观测的周期内对系统的动态持续地激励。

满足辨识对激励信号最起码的要求的持续激励信号应具备的条件称“持续激励条件”，分以下四种情况讨论： 1． 连续的非参数模型辨识（辩识频率特性）如果系统通频带的上下限为 ωmin ≤ ω ≤ ωmax ,要求输入信号的功率密度谱在此范围内不等于零。

)()()}({)}({)(ωωωj U j Y t u F t y F j G ==2． 连续的参数模型辨识 被辩识的连续传函为，共包含(m+n+1)个参数对于u(t)的每一个频率成分ωi 的谐波，对应的频率响应有一个实部R(ωi )和一个虚部Im(ωi )，由此对应两个关系式（方程），能解出两个未知参数。

因此，为辩识(m+n+1)个参数，持续激励信号至少应包含：j ≥( m+n+1 )/2 个不同的频率成分。

3． 离散的脉冲响应 g(τ)的辨识g(τ) ;τ = 0,1,..m ，假设过程稳定，当 τ > m 时 g(τ)= 0 。

由维纳—何甫方程有：R uy (τ )=∑ g(σ)R uu (τ - σ) 式(4-1-1)由上式得出(m+1)个方程的方程组:上式表达成矩阵形式φuy = φuu G 式（4-1-2） 可解出 G = φuu -1 φuy 式（4-1-3）G s b b s b s a s a s m mn n ()=++++++0111R R R m R R R m R R R m R m R m R g g g m uy uy uy uu uu uu uu uu uu uuuu uu ()()()()()()()()()()()()()()()010******** ⎡⎣⎢⎢⎢⎢⎤⎦⎥⎥⎥⎥=----⎡⎣⎢⎢⎢⎢⎤⎦⎥⎥⎥⎥⋅⎡⎣⎢⎢⎢⎢⎤⎦⎥⎥⎥⎥G = [ g(0),…,g(m) ]T 有解的条件是:如果所有的输出自相关函数式(4-1-4)都存在,且方阵φuu 非奇异, 即det φuu ≠ 0 。

系统辨识的常用方法系统辨识是根据系统的输入输出时间函数来确定描述系统行为的数学模型，是现代控制理论中的一个分支。

对系统进行分析的主要问题是根据输入时间函数和系统的特性来确定输出信号。

传统的系统辨识方法(1）脉冲响应脉冲响应一般是指系统在输入为单位冲激函数时的输出（响应）。

对于连续时间系统来说，冲激响应一般用函数h(t)来表示.对于无随机噪声的确定性线性系统,当输入信号为一脉冲函数δ(t）时，系统的输出响应 h（t)称为脉冲响应函数。

辨识脉冲响应函数的方法分为直接法、相关法和间接法。

①直接法：将波形较理想的脉冲信号输入系统，按时域的响应方式记录下系统的输出响应，可以是响应曲线或离散值。

②相关法：由著名的维纳—霍夫方程得知：如果输入信号u（t)的自相关函数R（t)是一个脉冲函数kδ（t）, 则脉冲响应函数在忽略一个常数因子意义下等于输入输出的互相关函数，即 h(t)=(1/k）Ruy（t)。

实际使用相关法辨识系统的脉冲响应时,常用伪随机信号作为输入信号,由相关仪或数字计算机可获得输入输出的互相关函数Ruy（t），因为伪随机信号的自相关函数 R(t)近似为一个脉冲函数,于是h(t）=（1/k）Ruy(t).这是比较通用的方法。

也可以输入一个带宽足够宽的近似白噪声信号，得到h （t）的近似表示。

③间接法：可以利用功率谱分析方法,先估计出频率响应函数H（ω），然后利用傅里叶逆变换将它变换到时域上，于是便得到脉冲响应h（t）。

（2)最小二乘法最小二乘法（LS）是一种经典的数据处理方法, 但由于最小二乘估计是非一致的、有偏差的, 因而为了克服它的不足, 形成了一些以最小二乘法为基础的辨识方法:广义最小二乘法（GLS）、辅助变量法(IVA)和增广矩阵法(EM），以及将一般的最小二乘法与其它方法相结合的方法,有相关分析——-最小二乘两步法（COR —LS)和随机逼近算法.（3）极大似然法极大似然法（ML）对特殊的噪声模型有很好的性能，具有很好的理论保证;但计算耗费大, 可能得到的是损失函数的局部极小值。

一：编制以M序列为输入时，脉冲响应的相关分析算法。

根据脉冲响应的相关分析算法：g=H*R*M*Z。

其中p=ones(15);q=eye(15);R=p+q；H=1/16;for j=1:15for i=1:16-jM(i,i+j-1)=u(i)endendfor t=1:15Z(t,1)=Y(1,t)end根据程序可以看到，当M序列确定以后，脉冲响应的估计值完全取决于过程的输出数据。

二：利用Hankel法求系统脉冲传递函数利用脉冲响应的估计值，构造Hankel矩阵，然后球的脉冲传递函数的分子分母系数a和b。

根据给定的脉冲响应gk=[6.989;4.711;3.136;2.137;1.559;1.252;1.096;1.009;0.938;0.860]; 辨识所得系统脉冲传函：Transfer function:4.711 z^2 - 7.01 z + 2.974----------------------------------z^3 - 2.154 z^2 + 1.611 z - 0.4266Sampling time: 0.1三：差分方程法求系统的传递函数由脉冲响应构建线性方程组矩阵，由Aa=B，确定待定系数a，随后生成关于X的特征多项式，求出x的n个解，得到传递函数的极点s，构造c的系数矩阵，求出c.便可确定系统传递函数。

根据所给脉冲响应：gk=[0;0.196;0.443;0.624;0.748;0.831];辨识所得系统传函：Transfer function:8.327e-017 s^2 - 0.01701 s + 0.8613------------------------------------s^3 + 2.607 s^2 + 0.8313 s + 0.01011四：加权最小二乘算法系统的输入信号为一个周期的M序列，z(k)=1.5*z(k-1)-0.7*z(k-2)+u(k-1)+0.5*u(k-2)用理想的输出值作为观测值，给样本矩阵HL和ZL赋值，加权矩阵取单位阵I，则c=c2*c3，其中c1=HL'*HL; c2=inv(c1); c3=HL'*ZL; c简称最小二乘估计值。

煤矿专项安全风险辨识评估报告的有效措施与建议煤矿作为一种重要的能源资源，但由于其开采过程中潜藏的高风险和危害性，使得煤矿安全问题一直备受关注。

为了加强煤矿安全管理，提高生产安全水平，煤矿专项安全风险辨识评估报告成为煤矿企业必须进行的必要工作。

本文将提出有效的措施和建议，以保证煤矿专项安全风险辨识评估报告的准确性和实用性。

1. 加强煤矿风险评估的专业性和系统性针对煤矿风险辨识评估的特点，建议煤矿企业应建立专业的评估团队，由有相关经验的专业技术人员组成，包括矿山工程师、安全工程师、环境工程师等。

评估团队应该具备较高的技术水平和专业知识，能够全面了解煤矿的生产过程、设备状态、工作环境等相关信息，对潜在的风险进行准确辨识和评估。

2. 建立科学合理的评估方法和指标体系煤矿风险辨识评估应该建立科学合理的评估方法和指标体系。

常见的评估方法包括风险矩阵法、层次分析法等。

评估指标应综合考虑煤矿的地质条件、矿井结构、设备技术水平、工作人员素质等多方面因素，确保评估结果的客观性和全面性。

在评估指标的选择上，要充分借鉴国内外相关标准和规范，结合实际情况进行合理调整。

3. 加强煤矿数据采集和分析工作煤矿风险辨识评估需要充分收集和分析煤矿的相关数据，包括事故、隐患、整改情况等。

可以利用现代信息技术手段，建立煤矿安全信息化系统，实现对煤矿各项数据的及时采集、存储和分析。

同时，对数据进行科学的统计和分析，发现与风险密切相关的指标，进行重点评估和处理，提高评估的准确性和精确度。

4. 强化煤矿灾害事故案例分析和经验总结煤矿风险辨识评估的有效性需要基于大量的实际案例和经验总结。

煤矿企业应建立健全的事故案例数据库，对历史事故进行深入剖析，找出事故发生的根本原因和共性问题。

通过案例分析和经验总结，可以提炼出一些典型的风险源和风险防控措施，为评估报告提供科学依据和实际应用的参考。

5. 加强煤矿安全文化建设和风险意识教育煤矿安全文化建设和风险意识教育是保障煤矿安全的基础工作。

系统辨识相关分析法引言系统辨识是指通过对系统进行分析、建模和验证，从而完整地理解系统的特性、流程和结构。

在实际应用中，系统辨识是解决问题和改进性能的关键步骤之一。

本文将介绍几种常见的系统辨识相关分析法，包括因果关系图分析、贝叶斯网络分析和状态空间分析。

1. 因果关系图分析因果关系图分析是一种用于表示和分析因果关系的图形工具。

它可以帮助我们理解系统中各个元素之间的关系，找出问题的根本原因，并提供改进措施。

以下是因果关系图分析的步骤：1.确定系统较大范围的目标。

2.确定系统中的各个因素，并将它们绘制成节点。

3.分析各个因素之间的因果关系，绘制因果关系图。

4.分析各个因素对系统目标的影响，并对关键因素进行标记。

5.根据因果关系图分析结果提出改进措施，并进行优先级排序。

6.实施改进措施，并对结果进行评估。

因果关系图分析可以帮助我们找出问题的本质原因，并提供针对性的改进措施，从而提高系统的性能和效率。

2. 贝叶斯网络分析贝叶斯网络分析是一种用于建立和分析概率模型的方法。

它基于贝叶斯定理，通过将各个因素的概率关系表示成网络结构，来推断未知变量的概率。

以下是贝叶斯网络分析的步骤：1.确定需要分析的变量和它们之间的关系。

2.绘制贝叶斯网络图，将变量表示为节点，将关系表示为边。

3.根据已知条件和先验概率，计算各个变量的后验概率。

4.通过贝叶斯定理更新未知变量的概率。

5.对贝叶斯网络进行敏感性分析，评估各个变量对结果的贡献程度。

6.根据贝叶斯网络分析结果进行决策或制定改进措施。

贝叶斯网络分析可以帮助我们量化不确定性的影响，通过概率推断来指导决策和改进，从而提高系统的可靠性和鲁棒性。

3. 状态空间分析状态空间分析是一种用于描述和分析系统的动态特性的方法。

它基于状态空间模型，将系统的状态表示为向量，并通过矩阵运算来描述系统状态的变化规律。

以下是状态空间分析的步骤：1.确定系统的状态变量和输入变量。

2.建立系统的状态空间模型，包括状态方程和输出方程。

黄伟孙世超孙娜基于手机信令数据的居住地人口分布辨识改进方法摘要：针对传统的基于手机信令数据的居住地人口分布分析方法的不足，通过建立一种基于手机信令数据和问卷调查数据的多源数据融合手段，利用有监督机器学习方法，实现对居住地人口分布现状的分析。

首先通过问卷调查数据获取志愿者的实际居住地位置及其所使用的通信运营商相关信息，并进行样本筛选。

其次，在通信运营商内部机房建立志愿者用户实际居住地位置与手机信令数据位置信息之间的对应关系。

最后，利用手机信令数据，通过获取志愿者在居住地网格位置的停留特征以及非居住地网格位置的停留特征训练朴素贝叶斯分类器模型，继而完成机器学习方法的建立并应用到其他手机用户实际居住地的识别。

分析结果表明：基于有监督学习方法的人口分布辨识方法较传统的阈值判断方法预测精度有明显提升。

关键词：交通规划；人口分布；手机信令数据；有监督学习方法；朴素贝叶斯分类器Improved Method of Population Distribution Identification Based on Cellular Signaling Data Huang Wei 1,Sun Shichao 2,Sun Na 1(1.Beijing Tsinghua Tongheng Urban Planning ＆Design Institute,Beijing 100085,China;2.Dalian Mari-time University,Dalian Liaoning 116026,China)Abstract :Aiming to overcome the shortcomings of traditional population distribution analysis meth-ods based on cellular signaling data,a multi-dimensional data fusion method is put forward as a new kind of method,combining cellular signaling data with questionnaire data and supervised machine learning method,to analysis the current situation of the population distribution.Firstly,the actual resi-dential location of volunteers and the information about the communication carrier can be obtained by the questionnaire survey.Meanwhile,sample screening is performed.Secondly,the relationship be-tween the actual residence location of volunteers and the location information of the mobile phone sig-naling data is established within the internal equipment room of the communication carrier.Finally,us-ing the cellular signaling data,the Naïve Bayesian Classifier model is trained by acquiring the residen-tial features and non-residential features of the volunteer users within the grid location.Furthermore,this method will contribute to identify the actual residence of other mobile phone users.The results show that the population distribution identification method based on the supervised learning method has a significantly improved prediction accuracy compared with the traditional threshold judgment method.Keywords :transportation planning;population distribution;cellular signaling data;supervised learning method;Naïve Bayesian Classifier 收稿日期：2019-07-18作者简介：黄伟(1969—)，男，湖南常德人，硕士，教授级高级工程师，主要研究方向：交通运输规划与管理。