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。      

基于PCA-RF组合模型的隧道交通事故持续时间预测

使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测.主成分分析用来提高随机森林模型的精度与效率.此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合.参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差.用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2115起事故数据.每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等.结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15%,取得了良好的预测效果.并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度.且PCA能够降低数据维度,提高算法的效率.与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高.      

基于多源数据融合的城市道路旅行时间预测

城市道路旅行时间预测是城市道路交通管理的重要支撑.研究了利用多源数据预测城市信号控制主干道旅行时间的方法.以2015年8月某路段的视频检测器及微波检测器的2种数据为基础,采用回归拟合的方法探究信号控制主干道路段旅行时间与断面流量之间的关系,2段式的线性拟合结果可以较好地拟合信号控制主干道路段旅行时间与断面流量的关系.以BP神经网络模型为基础,从输入层入手,采用直接输入2类数据、应用拟合关系输入拟合数据等方法,综合考虑2类数据之间的相关性,建立了融合2类检测数据进行旅行时间预测的多个模型,对7种不同输入的神经网络预测模型进行了测试、对比和分析.研究结果表明,相比于时间序列、支持向量机、k近邻和历史平均方法而言,应用拟合关系的2类数据融合的BP-2神经网络模型具有更高的预测精度,MA PE为13.04%,表明BP2神经网络模型能够实现较好的旅行时间预测效果.      

基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

组合短路段的长路段旅行时间短时预测

旅行时间预测是城市智能交通系统的必要组成部分。利用时间序列ARIMA模型预测短路段的旅行时间,然后组合短路段的预测结果得到长路段的旅行时间预测结果,最后与直接利用ARIMA模型预测长路段的旅行时间方法进行了对比。研究表明,组合短路段的长路段旅行时间预测方法具有更高的精度和更优的预测效果,在旅行时间短时预测方面具有较好的实用性。     

一种基于视频序列的城市快速路交通状态分类方法

研发智能交通系统(ITS)是目前世界上各个国家交通运输领域技术发展的热点之一.而交通状态的有效分类和识别是ITS中主要子系统和重要功能之一.针对传统提取交通参数方法在拥堵状态下准确率偏低的情况,文中提出一种基于视频序列的城市快速路交通状态分类方法.定义并从视频序列中获取时空线序列符,该时空信息存在大量的数据冗余,因此通过主成分分析方法(PCA)进行降维与特征提取;通过主观评价方式,选取畅通和拥堵交通状态下样本输入支持向量机(SVM),根据实验仿真结果选择高斯径向基核函数作为核函数来解决特征数据非线性的问题,并通过参数调优构建出交通状态二分类的最优模型.实验表明,时空线序列符和主成分分析的方法可以很好地应用于交通状态分类当中.      

基于生成对抗网络的电动汽车电池数据增强和故障诊断

针对电动汽车动力电池故障数据稀缺导致诊断模型泛化能力差的问题，提出了基于生成对抗网络（GAN）的数据增强方法，根据增强后的数据，利用随机森林（RF）模型结合贝叶斯优化（BO）方法设计故障诊断方案，形成GAN-RF-BO电池故障诊断框架，并在真实故障数据集上与常用的多层感知机（MLP）模型、支持向量机（SVM）模型和梯度提升决策树（GBDT）模型进行泛化能力对比，结果表明，所提出的故障诊断方案准确率较MLP模型、SVM模型和GBDT模型分别提高19.66%、19.71%及16.31%,GAN-RF-BO框架能有效利用稀缺数据诊断动力电池故障。     

基于PCA和ICA的交通流量数据压缩方法比较研究

针对交通流量数据的特点,分别采用基于主成份分析(PCA)和独立成份分析(ICA)的方法对其进行数据压缩研究和比较。首先,对城市道路和高速公路的交通流统计特性进行分析:发现采样时间的大小不会影响研究结果,而流量离差的统计分布为接近高斯分布的超高斯分布。然后分别采用基于PCA和ICA的方法进行交通流数据的压缩与重构,并对结果进行全面比较。试验结果表明:由于城市道路和高速公路的交通流离差数据均接近高斯分布,因此PCA在数据压缩中的效果较好;而高速公路的交通流数据压缩结果优于城市道路,因为其更加规律和稳定。这一结果反映了交通流波动的随机特征,对于进一步的交通流分析有着重要的意义。     

基于行驶工况特征的汽车燃油消耗的预测

本文从行驶工况特征参数来进行燃油消耗的预测。首先对典型道路上采集的百公里燃油消耗和行驶工况数据进行划分,获得大量行驶片段。接着用主成分分析法从所有行驶片段的13个特征参数中得到了3个主成分。最后利用BP神经网络对3个主成分的得分进行燃油消耗的预测。结果表明,与一般的BP神经网络相比,采用主成分分析和神经网络相结合的燃油消耗预测模型,简化了网络结构,提高了预测精度,可用来预测城市道路行驶工况的燃油消耗。     

基于主成分分析与支持向量机结合的交通流预测

为提高交通流预测的预测精度和预测速度,提出了用非线性回归支持向量机与主成分分析相结合进行交通流预测的方法。主成分分析用来对交通流预测的预测变量进行特征抽取,用较少的主成分代替原预测变量．将生成的主成分输入到非线性回归支持向量机,进行交通流预测,支持向量机的核参数利用Bayesian推理进行确定。通过对济南市交通数据的实例分析来验证该方法的有效性。结果表明,非线性回归支持向量机与主成分分析相结合进行交通流预测不但可以提高交通流预测的精度,同时还可以降低预测所需的计算量,满足交通流预测的实时性要求,预测精度比目前常用交通流预测方法的预测精度有所提高。     

基于双向二维主成分分析的交通标志识别

针对交通标志识别实时性不足,提出了一种基于双向二维的主成分分析[(2D)2PCA]的交通标志识别算法.首先,对交通标志图像进行去噪归一化等预处理.然后,进行水平和垂直方向的投影,通过特征空间降维提高匹配速度.最后,利用最近邻法进行分类.通过在不同数据库下与传统2DPCA方法的对比仿真表明,2种方法随主特征数目增加,识别率都有所提升;样本数量增加时,(2D)2PCA算法的时间增长速度明显小于2DPCA,满足了识别的实时性要求.     

基于GBDT的锈蚀钢筋混凝土梁抗弯承载力预测研究

为准确地对锈蚀状态下钢筋混凝土(Reinforced Concrete, RC)梁的抗弯承载能力进行预测，首先收集了锈蚀RC梁的抗弯试验数据，随后基于集成学习算法梯度提升树(Gradient Boosting Decision Tree, GBDT)建立了锈蚀RC梁抗弯承载力预测模型，最后在测试集上进行了模型精度的测试，并与基于单一机器学习算法多层感知机(Multilayer Perceptron, MLP)和套索回归(Lasso Regression, LR)建立的锈蚀RC梁抗弯承载力预测模型进行比对。结果表明，本研究建立的基于GBDT的锈蚀RC梁抗弯承载力预测模型在训练集、测试集上的拟合优度分别达到0.999 9、0.925 5,可用于锈蚀RC梁的抗弯承载力预测；与基于单一机器学习算法MLP和LR建立的模型相比，基于GBDT的模型的均方根误差分别降低了97.27%、25.72%和98.50%、40.59%,平均绝对误差分别降低了98.84%、28.90%和99.47%、53.85%,优势明显。本研究结果证明了基于GBDT的预测模型具有优异的性能。     

基于PCA-DEA的武汉城市生态交通发展综合评价

为了解武汉城市生态交通建设与发展情况,根据武汉城市生态交通的发展特点,从武汉城市交通生态效率入手,构建以能源消耗和环境污染为输入指标、交通发展为输出指标的武汉城市生态交通发展评价指标体系,运用主成分分析(PCA),结合数据包络分析(DEA),对武汉城市生态交通发展状况进行综合评价。结果显示,2005—2016年武汉城市生态交通发展的综合效率呈波动状态,2013—2016年处于较高水平;纯技术效率在2009—2012年相对较低,规模效率在2006—2016年处于上升趋势。     

基于粗糙集交通信息提取计算的城市道路行程时间预测

针对城市道路的行程时间预测问题进行研究。由于城市道路交通问题具有不确定性和不精确性,故采用基于粗糙集的交通信息提取计算理论建立城市道路行程时间预测模型。模型建立后,利用在荷兰代尔夫特市采集到的实际数据,对该预测模型进行检验。检验结果表明:如果不进行原始数据的前期处理,那么得到的预测误差在35%左右;而在剔除了质量较差的数据后,预测精度明显提高;同时,条件属性和决策属性的分类,显著影响到预测的精度。通过计算得到分类范围值,该模型能够较好的对交通状态进行物理解释同时预测精度能够达到可以接受的范围。     

考虑交通事件影响的城市道路行程时间预测

外部环境因素对城市交通预测有较大影响，尤其在交通事件发生时，由于交通流的随机性和非线性特征，交通异常情况下的预测精度往往较低。为此，基于深度学习理论，提出一种以序列到序列模型（Sequence-to-sequence，Seq2Seq）为主体，融合外部因素特征的城市道路行程时间预测方法。利用时间序列分解算法（Seasonal and Trend Decomposition Using Loess，STL）挖掘交通历史数据的时序周期规律，结合交通事件数据深入分析交通异常产生的原因，并建立堆叠降噪自编码器模型（Stacked Denoising Autoencoder，SDAE）提取时间属性和交通事件数据的潜在特征。以北京市北四环中路和G6京藏高速路段为例，对预测模型的准确性和可行性进行验证，通过重复性交通事件和非重复性交通事件下的案例试验，对SDAE组件的有效性进行分析。研究结果表明：模型的单步和多步预测性能均优于基线模型，预测精度最高达到了87.71%；与其他输入了交通事件数据的模型相比，以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性，能够适应复杂多变的交通流，在智能交通系统的短期预测上有显著的优越性，可以增强管理系统的调控能力，降低城市交通的拥堵成本。     

基于PCA/ICA的中心区转向试验数据提取

基于主成分分析(Principal Component Analysis,PCA)及独立分量分析(Independent Component Analysis,ICA)方法,利用PCA降维功能及ICA独立盲源信号分离挖掘技术,对PCA/ICA计算方法进行改进,并应用于车辆中心区转向试验数据处理环节,有效排除了测试中各种干扰因素,实现了原始信号降噪,从统计学意义上保证了所提取数据指标的一致性。     

交通事件持续时间预测方法综述

对交通事件持续时间的预测方法进行综述。分析了交通事件对交通拥堵的影响,解释了交通事件持续时间的含义。交通事件持续时间预测方法主要包括：基于统计分析的模型,如概率分布、条件概率、回归分析、时间序列,其次包括不需要知道其分布特点的决策树模型、非参数回归模型,模糊逻辑模型。分析了各种方法的优缺点和适用性,并指出交通事件数据的质量影响了模型的准确性和精度。大量的研究发现事件持续时间的分布近似于正态分布,并向左侧偏斜。最后,提出今后交通事件数据库的建立和交通事件的科学分类可从根本上提高基于统计学模型的精度。     

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。     

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。      

短时路况预测在动力电池实时配送中的应用

电动汽车及时获得能量供应是其大规模普及的关键,而动力电池配送车辆在获取最优配送路径时缺乏实时性信息支持,实时交通路况信息已不能满足其需求。文中提出利用短时路况预测模型动态预测路况未来变化,并利用预测值来选择最优配送路径。该方法综合利用实时采集数据与历史交通数据,以5min为时间间隔,对城市道路交通参数进行短时预测,主要从时间和空间两方面进行预测,并利用相对误差、绝对误差及均等系数对预测结果进行评价。仿真结果表明,该预测模型的预测效果较理想,尤其是在高峰时刻,可应用于电动汽车动力电池配送车辆的实时最优路径获取。