基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

汽车变速器磨损轴承振动信号混沌行为分析

本文首先讨论了判断时间序列具有混沌性态的准则，探索了求时间序列奇异吸引子嵌入维数的方法，并用Ｇ－Ｐ算法求关联维数，在尝试用几个传统的奇异吸引子验证了该方法的正确性之后，将它应用于计算一组变速器磨损轴承加速度振动信号的分形维数，计算表明，变速器振动信号具有分形特征，在其它条件不变时，轴承技术状况与振动信号的分形维数密切相关，它们均在２维与３维之间，随着轴承磨损加剧，它向３维逼近，当样本点达到一定数目     

高速公路交通流分形特性分析

采用分形理论研究交通流的自相似性；基于嵌入空间理论、状态空间重构和Ｇ－Ｐ算法对实际检测的广佛高速公路２４ｈ交通流情况进行了分形特性分析，分析结果表明交通流在一定的区间内存在尺度不变性。     

基于时间序列和灰色模型的交通事故预测

利用时间序列和灰色模型理论,针对北方某城市的交通事故统计数据,分别建立了自回归移动平均模型及灰色模型,并对各模型进行了步长为12的预测。通过模型对比发现：2个模型的预测绝对误差分别为23.95%和54.32%,且对于具有季节周期性特点的序列,自回归移动平均模型的预测结果与实际观测值比较吻合,说明自回归移动平均模型比灰色模型更能充分挖掘历史信息以减少预测误差,并反映数据的周期性变化,具有良好的适用性。     

基于改进变分模态分解与双测度分形维数的发动机故障诊断

提出了一种基于改进变分模态分解(Variational Mode Decomposition,VMD)与双测度分形维数的发动机故障诊断方法。首先利用互信息法对缸盖振动信号进行端点延拓,并利用VMD算法将延拓后信号分解为多个固有模态分量(Intrinsic Mode Function,IMF),从而抑制VMD的端点效应,提高信号分解精度。然后利用正交变换方法将各IMF分量正交化,给定时间尺度序列τ=(τ_1,τ_2,…τ_n),并自适应地选择分界点将τ划分为第Ⅰ、Ⅱ尺度区间,利用各正交化的IMF分量在两个尺度区间内分别计算信号的分形维数,得到双测度分形维数,分别描述信号中的细节信息和趋势信息。最后将双测度分形维数作为特征参数输入极限学习机分类模型实现发动机故障诊断。仿真与试验结果表明:所提方法能够有效抑制VMD的端点效应,提高信号分解精度,双测度分形维数具有良好的类内聚集性和类间离散性,提高了发动机故障诊断精度。     

基于PCA-GBDT的城市道路旅行时间预测方法

城市道路旅行时间预测是城市智能交通管理系统和交通信息服务系统的重要基础。利用实测的车辆旅行时间数据,提出了进行城市道路旅行时间多步预测的主成分分析-梯度提升决策树(PCA—GBDT)方法。首先使用主成分分析方法进行旅行时间序列分解和主成分提取,之后建立了利用梯度提升决策树方法的旅行时间多时段预测模型。实际案例结果表明,与传统kNN方法、时间序列ARIMA方法、支持向量机(SVM)方法相比,PCA—GBDT方法具有更高的预测精度与算法稳定性。     

城市轨道交通客流预测算法研究

城市轨道交通客流预测是客运组织的基础,预测结果可为运营管理提供决策依据.针对城市轨道交通客流量预测问题,提出了一种ARMA-RBF组合客流预测算法:首先根据变点算法,通过对客流数据构成的时间序列处理得到变点集;然后基于小波变化对变点集进行去噪处理;最后利用ARMA-RBF算法对城市轨道客流进行预测.以北京地铁4号线新街口、平安里、西四地铁站进出客流数据进行方法验证,结果表明,相较于单独的ARMA算法或RBF神经网络算法,ARMA-RBF组合客流预测算法可提高城市轨道交通进站客流预测的精度.     

基于多参数状态时间序列的交通状态预测方法

利用多个参数描述交通状态时,交通流数据表现为多维空间数据。提出了将属于每个状态的多维空间数据转换为一维时间序列的方法,对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测。实验结果表明,多参数状态时间序列比单个参数时间序列能更准确地描述交通流状态变化过程,且算法简单,具有较强的预测实时性。     

基于区间分析理论的变形监测数据处理方法

基于点变量方式的变形监测数据分析与处理,由于变形观测数据的近似或扰动,与真实形变存在一定误差,在一定的观测手段和方法下,这类误差导致目标函数的变化并不大,但其所求的理论分析模型参数却会存在巨大差异。针对点变量表达方式不能充分反映结构变形信息的复杂性,提出了以区间分析理论来进行变形监测数据分析与处理。基于区间分析理论,建立起基于区间变量和区间分析理论的变形监测数据处理方法。提出了区间参数变量的4种取值方法:概率统计取值法、仪器精度法、最大最小值法及综合误差法;基于区间超宽度扩展理论,提出了减小区间超宽度的3种措施:改写监测数据处理的表达式、缩小监测参数的区间宽度及选择合理的数据处理模型。基于时间序列模型及灰色系统模型,以区间参数代替点参数,采用区间分析定义的运算法则,对工程变形监测数据序列进行了分析。工程算例表明:一般点参数预测模型的预测值,由于变形体变形规律的复杂性,即使采用与变形规律拟合程度很好的数学模型,也很难与实测变形值符合,但对于预测的区间值,实测变形值落在预测值的区间内,概率是比较大的。区间预测值能较点预测值进一步提高理论预测模型的预测准确性,也能更好地反映工程实体变形的复杂特点。     

全国道路交通事故预测

研究表明,充满复杂性和随机性的道路交通事故具有灰色性。文中介绍了灰色预测的理论方法,运用灰色系统理论对交通事故进行分析。通过对交通事故死亡人数原始数据进行处理,得到新的生成数序列,据此建立白化微分方程,给出交通事故中死亡人数的预测模型,用相对残差、级比偏差值和后验差法对模型进行检验。结果表明,模型预测精度高,与实际数据相吻合;并运用该模型预测了之后4年的交通事故总数、死亡人数及受伤人数,以便于交通部门、公安部门和道路设计规划部门有针对性地对交通事故实施治理,减少交通事故发生。     

交通流实时预测的混沌时间序列模型

针对城市交通流普遍存在的混沌特性,介绍了一种改进的加权一阶局域预测模型,并将其应用于交通流实时预测中。为了进一步提高算法的精度与速度,对最优邻域的点数进行动态选择,通过改进,使之成为一种鲁棒性强、预测精度高的实时预测算法,并能有效地用于短时交通流的预测问题中。仿真结果表明:该算法完全满足实时交通流预测的需要,为交通信号智能控制和交通流诱导奠定了坚实的基础。     

城乡快速干道车-人冲突时间窗预测模型

为了解决城乡快速干道车-人冲突和事故严重的问题，将车-人冲突点的分析方法扩展到车-人冲突时间窗的分析方法，构建一种行人运动轨迹实时监测和穿越时间预测相结合的车-人冲突时间窗组合预测模型。首先，分析行人违规穿越的实测数据，确定不同类别行人对应的穿越时间置信区间以及松弛时间；其次，根据运动学模型的预测结果判断行人的所属类别并初步确定行人的穿越时间，同时通过卡尔曼滤波算法对行人穿越过程进行实时监测；再次，融合运动学模型预测结果和卡尔曼滤波监测结果，确定最终的车-人冲突时间窗；最后，对所提出的组合预测模型进行标定和验证，并通过VISSIM仿真平台进行安全性能测试。模型验证结果表明：在正常情况下，该模型能够保障行人的安全且能兼顾松弛时间重置次数；在行人初始穿越速度过低或穿越前、中期存在持续低速的情况下，该模型可以通过多次松弛时间重置来解决模型的适用性问题。安全性能测试结果表明，在车辆行驶时间均值增加4.7%的情况下，安全车辆数占比增加了37.3%，车辆的后侵占时间(PET)测试值则增加53.8%。因此，与无松弛时间的预测模型相比，所提出的有松弛时间的车-人冲突时间窗预测模型能够在对交通效率影响较小的前提下，较大程度地提高车-人冲突的安全性。     

基于时间序列挖掘的隧道交通事件分析

为了及时发现隧道内交通安全隐患,尽量减少交通事故的发生,针对现有隧道交通事件预测方法在实际应用中的不足,引入时间序列法,建立了隧道交通事件时间序列预测模型,该模型可以快捷地得出事故影响因素的预测值,预测出道路交通事件总体发展趋势。实验证明,模型能很好地适应于道路交通事故预测,同时具备了资料较少,建模简单,计算快捷等优点。     

我国双车道公路普通路段路侧事故预测模型研究

针对双车道公路路侧事故的各种影响因素,建立适合我国国情的双车道公路路侧事故预测模型,探索双车道公路路侧事故的分布规律。研究中根据我国双车道公路两侧用地情况,把公路划分为普通路段、村庄路段和交叉口路段,并对普通路段进行了路侧事故预测模型研究,主要内容包括普通路段的划分、路侧事故的定义、路侧危险度的划分、模型的结果自检验以及应用检验等等。研究结果表明交通量、货车比例、平曲线用长度加权的弯曲度、所在地域对路侧事故率的高低有较大影响,模型验证结果表明路侧事故预测值和实际值呈现一致性。     

基于数据预测的区域道路状态模糊判别

区域路网交通状态判别是实施区域交通管理控制和交通诱导的基础。为有效且有前瞻性地描述区域路网拥挤状况,提出了1种基于时间序列数据预测和主成分分析相结合的模糊综合定量评价方法。以路段平均速度和交通流量为描述交通拥挤状况的参数,利用时间序列预测模型对数据进行预测;将路网中各路段的平均旅行时间作为总延误的影响因素;再利用主成分分析法确定各个路段对区域拥挤的影响权重;最后运用模糊综合评价法对区域路网拥挤状况进行评估。以山西省临汾市实际路网为例,通过 Vissim 交通仿真软件和 SPSS 数据统计分析软件对算法进行了仿真验证。仿真结果表明,该算法能够有效地预判城市区域的交通状况,为交通管理、控制和诱导提供准确的依据。      

融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型

山区高速公路事故严重程度预测对保障交通安全具有重大意义。针对现有事故严重程度预测模型存在准确率低、泛化性差等问题,考虑到深度卷积神经网络可以高效处理图像问题,为此将事故影响因素图像化,提出一种融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型。该模型首先采用相关性分析确定影响交通事故严重程度的因素,依据严重程度与影响因素将事故划分为财产损失、轻伤事故、重伤事故和死亡事故4类;然后将影响因素处理成图片的形式,进而将事故严重程度预测问题转化为图像的分类问题,随之构建基于反残差与注意力机制的山区高速公路事故严重程度预测模型,其中：基于深度可分离卷积的反残差结构可以以较少训练参数获取较高的准确率,基于软阈值的注意力机制作为一种非线性层可以忽略与事故严重程度无关的信息,Mish激活函数可以确保更好的信息流入神经网络。结果表明：在山区高速公路交通安全事故严重程度评估中,相比于传统的机器学习模型,所提出的模型识别准确率具有明显的提高,且测试准确率为85%左右,满足山区高速公路安全评估的实际预测需求。     

快速路交通流时间序列聚类预测方法与模型

针对快速路路段日交通流曲线的相似特性,提出根据天气好、坏,工作日、非工作日作为特性向量,设计一种时间序列聚类算法对不同时间尺度下快速路交通流进行预测.结果显示:此聚类算法与预测模型充分利用了历史数据,30 min时间尺度下预测精度较高,平均绝对相对误差最低为3.34%.