18、交通流预测、鱼雷学习曲线模型与高斯过程混合模型参数学习研究

交通流预测、鱼雷学习曲线模型与高斯过程混合模型参数学习研究

在当今的科技发展中，交通流预测、军事装备成本分析以及数据模型参数学习等领域都有着重要的研究价值。下面将分别介绍交通流预测新方法、基于神经网络的鱼雷学习曲线模型以及高斯过程混合模型参数学习的高效 EM 算法。

1. 交通流预测新方法

传统的多链路交通流预测仅考虑直接相邻链路之间的相关性，且未有效提取相关信息。而新提出的方法能够高效提取相邻链路提供的信息，并综合考虑所有直接或间接相邻的链路，相比传统方法更加全面和高效。通过与多链路多任务学习在交通流预测中的比较，该方法在交通流预测方面展现出了进一步的优越性。

未来，可进一步研究将图形拉索（Graphical Lasso）与其他预测方法相结合，或者将其应用拓展到交通流预测以外的领域。因为在相关研究中已经验证了使用图形拉索建模的高效性，而模型构建在机器学习中广泛应用，所以图形拉索有望在更多领域发挥作用。

2. 基于神经网络的鱼雷学习曲线模型

在鱼雷制造中，由于社会、经济等因素的影响，鱼雷的各类成本迅速增加。因此，如何利用有限的财政资源获取高效的鱼雷，成为了研发部门、采购部门和用户关注的重要问题。生命周期成本分析（LCC）被提出用于解决这一问题，它包括研发成本、生产成本和维护成本，其中研发成本和退役成本通常占比较小，常被忽略。

2.1 学习曲线

生产费用与累计产量之间的关系通常用学习曲线来描述。学习曲线表明，第一件产品的生产成本最高，随着产量的增加，成本会以一定的速率有规律地下降，开始时下降速率较高，随后逐渐变缓，最终趋于稳定。

现有的学习曲线，如 Wright 公式和 Ca