基于时间序列法的公交车站间行程时间预测模型研究——以苏州1路公交为例

准确预测公交站间行程时间是先进的出行者信息系统(ATIS)的核心,是公交运营和管理的关键问题之一。本文采用改进的时间序列法进行公交车辆站间行程时间预测,利用游程检验法检验时间序列平稳性,并借鉴EMD算法把非平稳时序分解为若干个平稳时序的线形组合,然后对每个平稳时序用指数平滑模型预测。最后,依托苏州1路公交运行数据对该预测模型进行验证,结果表明,该预测模型不仅能够准确的预测公交站间行程时间,还能增强时间序列法对于突发事件的反应能力,大幅提高预测精度。     

基于双向长短期记忆网络的公交到站时间预测模型

为实现准确预测公交到站时间，提高城市公交出行分担率，本文提出一种基于双向长短期记忆神经网络(BiLSTM)并考虑超参数寻优的公交到站时间预测模型。通过引入非线性收敛因子、正弦余弦算子及自适应参数改进海鸥算法对双向LSTM模型实现超参数寻优，并增加Attention机制以提高双向LSTM处理信息能力，构建改进海鸥算法优化增加Attention机制的双向LSTM(ISOA-BiLSTM-Attention)预测模型。使用中国江西省南昌市220路公交GPS数据分方向和分时段预测车辆到站时间，验证模型预测精度。结果表明：整体上来说，Attention机制优化后的双向LSTM模型比单独采用双向LSTM模型预测精度更好；改进的海鸥算法可对双向LSTMAttention模型实现较好的优化效果，相较于现有模型及标准海鸥算法(SOA)优化双向LSTMAttention模型，ISOA-BiLSTM-Attention对于不同方向及不同时段公交到站时间预测的平均绝对百分比误差、均方根误差及平均绝对误差至少分别降低5.96%、9.87%及7.99%；同时，ISOABiLSTM-Attention具有最大的模型...     

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息，提高出行效率，需提升高速公路行程时间的预测精度。鉴于此，将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中，构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化，截取其中有效字段，获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型，利用Matlab进行实验。实验结果显示，PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高，而且能较准确地预测出行程时间的走向及波动情况，在收敛速度方面也呈现出一定的优势，具有较好的适应能力。     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

灰色模型GM(1,1)在出生缺陷预测中的应用研究

目的探讨灰色模型GM(1,1)在预测不同水平出生缺陷发生率中的应用问题及数据波动性对预测效果的影响。方法利用2009年10月至2016年9月西安市出生缺陷监测数据,构建总出生缺陷及前5种缺陷的月、季度、年共3个层次出生缺陷发生率的GM(1,1)灰色模型,比较不同层次预测模型的拟合精度。结果总出生缺陷年度预测时,平均相对误差为4.6%,均方差比为0.259,提示其预测效果较好;按季度预测时效果勉强合格,平均相对误差为10.2%;按月进行预测时,效果较差,平均相对误差为17.5%。西安市前5种出生缺陷(先天性心脏病、唇腭裂、神经管畸形、多指、先天性脑积水)灰色模型预测结果都随着预测时间单位的变大,拟合精度逐渐提高,年预测模型拟合精度最好。结论灰色模型的预测效果可能与数据波动性有关,对出生缺陷发生率进行预测时以年度为单位的结果可能较适宜。     

基于组合预测模型的轮轨力连续测试

为了精确判断车辆的运行状态,提出了一种轮轨力连续测试方法.根据轮轨相互作用的特点,采用阈值判断法从测试数据中提取轮轨力的有效信息.针对轮轨力测试系统的时变性和不确定性,将动态测试序列作为灰色过程处理,提出用灰色理论对轮轨力进行连续测试.为了提高预测精度,结合遗传算法和神经网络对传统的GM(1,1)模型进行改进.建立了10个预测模型分别进行预测,然后将精度较高的预测值输入串联灰色神经网络进行二次预测,以提高预测精度与稳定性.将这10个预测模型应用到轮轨力连续测试中,结果表明:灰色系统、遗传算法与神经网络三者的组合模型具有较高的精度,平均相对误差不超过2%,满足轮轨力连续测试的要求,并且能够降低传感器失效对测试结果的影响.     

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

基于CEEMDAN-GWO-LSSVM的高铁沿线短期风速预测模型

为提升高铁沿线风速短期预测的精度，利用基于自适应去噪完全集合经验模态分解(CEEMDAN)和灰狼优化(GWO)与最小二乘支持向量机(LSSVM)模型对高铁沿线风速进行短期预测。以某高铁沿线每间隔1 min采样的风速数据作为仿真对象展开建模实验并与其他组合预测模型进行比对。结果表明：CEEMDAN-GWO-LSSVM模型可以显著提升风速预测精度和准确性，其中均方误差(MSE)、平均绝对误差(MAE)和均方根误差(RMSE)3项评价指标提升程度分别达71.17%、46.14%和42.49%,均为最高。降低预测过程中产生的误差，为我国高速铁路沿线的短期风速预测研究提供有益借鉴。     

基于组合模型的浙江省GDP预测研究

区域 GDP 的发展趋势是高速公路规划和建设的重要参考依据。 本文基于浙江省 197 8.至 201 9.年的 GDP 数据, 分析数据特性, 构建预测模型, 掌握发展规律。 首先, 将 GDP 数据转化为时间序列, 建立 ARIMA (2, 2, 0) 模型 ; 其次, 将 GDP 数据以滑动窗口的方式生成输入矩阵, 建立 BP 神经网络模型 ; 最后, 利用 ARIMA 分析 GDP 时序的线性部分, 利用 BP 神经网络分析 GDP 时序的非线性部分, 建立组合模型。 通过计算相对误差比较模型的预测效果, 三个模型的平均相对误差分别是 6.和 6.结果表明, 组合模型的平均相对误差最小, 预测效果最好     

基于GARCH的短时风速预测方法

为提高高速列车运行的安全性,基于线性递归的差分自回归移动平均模型(auto-regressive integrated moving average, ARIMA)和非线性递归的广义自回归条件异方差模型(generalized auto-regressive conditionally heteroscedastic, GARCH),提出一种组合模型ARIMA-GARCH进行高速铁路强风风速的短时预测.首先对数据的非平稳性进行预处理,以降低数据非平稳性对所提模型的影响;其次建立线性递归的ARIMA模型对数据进行分析和预测;最后,引入非线性递归的GARCH模型对数据进行分析和预测.基于现场测量的样本仿真分析表明:相比原始数据,ARIMA-GARCH模型的预测精度较高且随着预测步长的增加,平均绝对误差仅从0.836 m/s增加到1.272 m/s;ARIMA-GARCH模型考虑了异方差这一非线性特性,其预测精度明显好于线性的ARIMA模型,其中超前6步预测的平均绝对误差精度提高11.54%.      

客运量预测模糊时间序列和灰色模型的比较

基于模糊集理论在模糊时间序列分析的基础上分别建立铁路、公路及民航客运量模糊时间序列模型,并与基于灰色理论的GM(1,1),修正GM(1,1)和Markvo三个模型进行标杆对比,结果表明:模糊时间序列模型能有效提高Markvo模型的预测效果;模型的外推预测能力比Markvo模型强;模糊时间序列模型和灰色模型相比,传统ARIMA时间序列模型及人工神经网络模型具有不需要大量历史时间序列样本的特点.     

兰新铁路第二双线防风技术及工程设计

防风技术是兰新铁路第二双线建设和运营的控制性因素,通过研究,明确了沿线风环境特征,制定了大风环境下的高速列车运行安全及速度标准。结合路基、桥梁、防风明洞、接触网、大风预警系统等抗风专题研究,确定了该线防风工程的主要设计原则及结构型式。大风区施工防风技术研究为风区铁路工程的设计和建设提供了保障与支持。     

Forecasting Technology of National-Wide Civil Aviation Traffic

The long-term forecasting of national-wide civil aviation traffic provides basis for the airspace project planning. A gray combination forecasting model is put forward based on the GM (1, 1) forecast model and least squares principle. With the historical data analysis of the national-wide air traffic from the year 1985 to 2008, the forecasting applicability is examined with three different methods, such as the time series forecasting, regression forecasting and neural-network forecasting. After analyzing the characteristics of Chinese national-wide civil aviation traffic data and contrasting forecasting result, the gray combined forecasting model produces the best effect among these forecasting models.     

全国民航空中交通量长期预测技术研究

全国民航空中交通量的长期预测是空中交通管理部门制定空域规划方案的重要依据. 本文基于GM(1,1)模型和最小二乘法原理,首次提出了空中交通流量灰组合长期预测模型;同时根据我国民航1985～2008年的飞机起降架次的历史数据,研究了时间序列预测、回归预测以及神经网络预测三种常用预测方法对中国民航空中交通量进行预测的适应性;通过分析我国民航空中交通量数据的特点以及各种预测模型的预测结果表明,本文提出的灰组合预测模型在上述各种预测模型中预测精度最高.     

ȫ���񺽿��н�ͨ������Ԥ�⼼���о�

全国民航空中交通量的长期预测是空中交通管理部门制定空域规划方案的重要依据. 本文基于GM(1,1)模型和最小二乘法原理,首次提出了空中交通流量灰组合长期预测模型;同时根据我国民航1985～2008年的飞机起降架次的历史数据,研究了时间序列预测、回归预测以及神经网络预测三种常用预测方法对中国民航空中交通量进行预测的适应性;通过分析我国民航空中交通量数据的特点以及各种预测模型的预测结果表明,本文提出的灰组合预测模型在上述各种预测模型中预测精度最高.     

基于混沌吸引子的时间序列预测方法及其应用

介绍相空间重构技术以及混沌吸引子的关联维数的计算方法,阐述了基于混沌吸引子的特性基础上的预测原理及预测模型,指出了已有预测模型的不足,提出改进意见并给出具体算法。然后,用Lorenz 系统所产生的时间序列作为样本,进行了预测,给出了3种模型的预测结果,并作了比较。最后,指出了还存在一些相关问题。     

Online sequential extreme learning machine based multilayer perception with output self feedback for time series prediction

This study presents a time series prediction model with output self feedback which is implemented based on online sequential extreme learning machine. The output variables derived from multilayer perception can feedback to the network input layer to create a temporal relation between the current node inputs and the lagged node outputs while overcoming the limitation of memory which is a vital part for any time-series prediction application. The model can overcome the static prediction problem with most time series prediction models and can effectively cope with the dynamic properties of time series data. A linear and a nonlinear forecasting algorithms based on online extreme learning machine are proposed to implement the output feedback forecasting model. They are both recursive estimator and have two distinct phases: Predict and Update. The proposed model was tested against different kinds of time series data and the results indicate that the model outperforms the original static model without feedback.     

南京市地铁1号线开通初期客流预测

为了对南京市地铁1号线开通初期进行精准的客流预测,以规划地铁1号线沿线车站1km半径范围内的51个交通小区为研究重点,进行了5类个人出行调查,利用四阶段法建立交通模型进行预测分析。在交通方式预测阶段,利用交通意向调查数据建立了轨道交通转移率模型,得到轨道交通OD预测结果。最后,将预测结果与实际客流进行比较,说明客流预测精度较好,验证了所使用的出行调查和模型方法的合理和有效性。     

�ۿ�����Ԥ���о�������TEI@I������

基于TEI@I理论框架,本文提出了适用于港口物流货运复杂系统的TEI@I的综合集成预测模型,并基于青岛港集装箱吞吐量数据,预测和分析了TEI@I的港口物流货运量的集成预测理论框架的各部分.预测结果表明,基于TEI@I集成预测模型的效果远远优于单独模型的预测结果,方向变化统计量(Dstat)的评价结果从66%-77%提高到了100%,对主要决策者方向性的判断更有实际意义.其次,TEI@I方法论中将数据“先分解后集成”的思想,引入了对数据的非线性部分的分析和预测,该方法不仅提供了分析外部冲击对具体数据序列的影响程度,影响周期的分析思路,而且将分析后的序列集成,对不同模型的预测精度有了很大的提高.