基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R₂（R₂ _adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。      

基于SVM-KNN的降雨条件下短时公交客流预测

为了提高降雨条件下短时公交客流的预测精度,提出一种基于SVM-KNN的短时公交客流预测模型.分析了降雨天气与公交客流的相关关系,揭示不同降雨等级对公交客流量的影响.进一步发挥支持向量机(SVM)的快速归类和K近邻算法(KNN)的高预测精度的优点,提出了基于SVM-KNN的短时公交客流预测模型.具体方法为:用SVM训练少量数据生成子数据库,随后采用KNN识别相似模式预测短时公交客流.通过采集深圳市南山区4条公交线路降雨条件下的客流数据进行算例仿真,验证了模型和算法的有效性.结果表明,SVM-KNN算法的综合平均绝对误差(MAE)为8.437,综合均方误差(MSE)为10.725,综合平均相对误差(MAPE)为8.8%,综合均方相对误差(MSPE)为11.3%,比常用的RBF模型的MAE,MSE,MAPE及MSPE各类误差分别降低了3.646,3.631,4.6%,5.5%.      

基于神经网络客流预测的高峰期公交时刻表优化

为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化.根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量.兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程.计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%.基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%.定量验证了动态优化方法的可行性和有效性.      

考虑动态波动性的轨道交通站点短时客流预测方法

轨道交通站点客流预测研究缺乏对短时客流动态波动性的考虑,不能预测短时客流区间.以北京市典型轨道交通站点为例开展实证,构建ARIMA-GARCH模型对误差项建模分析,拟合短时客流的随机波动特征.不同于以往的ARIMA-GARCH模型,研究还通过t分布揭示了客流的“尖峰后尾”效应,通过2种非对称GARCH模型识别了短时客流的非对称波动特征.模型结果表明,相比传统ARIMA模型,ARIMA-GARCH混合模型降低了20%以上的客流平均置信区间长度(MPII),同时提高了1%左右的置信区间覆盖率(PICP);周内客流波动性大于周末客流,而非高峰时段的客流不具有波动性.值得指出的是ARIMA-GARCH模型没有明显降低客流预测的平均绝对误差,尽管如此,混合模型可以在保证客流单点预测的前提下,准确地预测地铁客流区间.      

基于GA、RBF和改进Cao方法的空中交通流预测方法

针对传统空中交通流量预测方法精度不足、时效性差的问题,考虑空中交通流量时间序列的混沌特征,在相空间重构理论的基础上,研究了结合遗传算法（GA）、径向基（RBF）神经网络与改进Cao方法的空中交通流量预测方法。为降低传统Cao方法人为参数选择引入的误差,提高相空间重构精度,通过判定虚假邻近点,以及迭代比较嵌入维度离差和可接受偏差,确定重构相空间嵌入维度值的选择标准,进而得到重构后的空中交通流量时间序列数据;为提升径向基神经网络预测精度并降低参数误差,使用遗传算法优化RBF神经网络的中心矢量、加权系数和输出层阈值,再通过最优系数标定后的神经网络对重构后的时间序列进行预测;利用实际空中交通流量数据进行仿真以验证方法的有效性,并结合最大Lyapunov指数和预测结果分析了预测的时效性以及时间尺度对精度影响。结果显示:①改进后的预测方法具有更好的非线性拟合能力,提高了交通流量时间序列的预测精度;②以5 min时间间隔预测为例,相比传统RBF神经网络,改进方法的平均绝对误差、均方误差以及平均绝对百分比误差分别降低了19.44%、34.78%和27.21%;③相比反向传播（BP）神经网络和长短期记忆（LSTM）神经网络,所提方法的平均绝对误差分别降低了36.20%和16.10%,运行速度分别提高了27.42%和35.00%。综上所述,所提方法能更好地解析系统的混沌特性,提升空中交通流量预测精度与速度。      

基于改进粒子群优化BP神经网络的弯道转向行为预测

为研究驾驶人视觉特性和弯道转向行为的内在联系,借助模拟驾驶器,选取50名驾驶人在3种不同半径的弯道上进行驾驶试验。在整理采集的试验数据后,分别比较驾驶人视觉特性(瞳孔面积变化率、扫视速度、扫视幅度)、弯道转向行为(方向盘旋转率、车辆侧向加速度)与弯道半径之间的关系,并进一步提出一种以驾驶人视觉特性为预测因素,基于BP神经网络的驾驶人弯道转向行为预测方法。为使BP神经网络适用于小样本量的预测情况,需引入改进粒子群算法对BP神经网络进行优化。对粒子群算法的改进之处主要体现为:在粒子群算法进行搜索的过程中,采用动态惯性权值与自适应方法,解决了一般粒子群算法中粒子快速趋同的问题。在模型训练的过程中,选取BP神经网络的误差作为改进PSO算法的适应值,由事先确定的最大迭代次数与误差范围共同决定迭代的终止条件。最后,分别使用基于BP神经网络的驾驶人弯道转向行为预测方法,与基于改进粒子群优化BP神经网络的驾驶人弯道转向行为预测方法,对弯道转向行为进行预测,结果表明:基于改进粒子群优化BP神经网络的弯道转向行为预测方法相较传统预测方法具有更高的预测精度,可以有效地预测驾驶人弯道转向行为。     

基于BP神经网络的短时交通流预测

对比分析短时交通流预测模型,对BP神经网络预测算法的原理进行分析说明,用BP神经网络建立短时交通流预测模型,利用华南快速路的实测交通流数据来验证模型的可行性。     

基于特征相关度分析的路面凝冰短时预测方法

针对高速公路易结冰路段的路面凝冰预测问题，提出了一种基于特征相关度分析的路面凝冰短时预测方法。该方法利用路侧设备的测量数据，包括结冰厚度、相对湿度、风向与风速等，通过ADF(Augment Dickey-Fuller)检验方法分析数据集的平稳性，进而设计出基于长短期记忆网络(Long Short-term Memory, LSTM)的路面凝冰短时预测算法。根据Spearman相关度系数法分析计算上述多种凝冰监测数据的相关度与置信度，并形成基于Spearman特征相关度的数据筛选模型，优化LSTM神经网络中的输入数据集。在此基础上，搭建面向凝冰预测误差的LSTM神经网络模型，并利用筛选后的凝冰数据集训练优化预测算法中的模型参数，提高目标路段路面凝冰预测的效率与精度。最后，通过数值仿真分析比较不同特征相关度下路面凝冰短时预测算法的均方根误差，确定最优预测模型，并于西延高速KM200+918路段进行实地测试。研究结果表明：路侧设备的测量数据中相关度较低的数据对路面凝冰预测算法存在反向作用，并非将所有数据进行组合即可得到最优结果，需对测量数据进行有效筛选，进而优化LSTM神经网络，提高凝冰预测...     

基于遗传神经网络的货运量预测的研究与实现

针对BP网络和遗传算法的缺陷，提出了一种新的遗传神经网络优化模型，可以用来同时优化BP神经网络的网络结构和权值阈值，叙述了该算法的设计过程。利用该算法对货运量进行预测，并与标准的BP算法预测结果进行比较，计算结果表明，该算法的预测精度大大高于标准的BP算法的预测精度。     

基于改进BP网交通流动态时序预测算法的研究

针对城市交通“智能运输系统”，提出了基于改进BP神经网络理论模型的路面交通流动态时序的预测算法，在BP算法的自适应学习率，在动量法优化网络收敛性等方面，进行了深入研究，并改进了基本BP算法中的收敛速度慢和易陷入局部最小点等问题，章给出了基于改进BP算法的交通流态时序的预测算法仿真实验，结果验证了该算法的可行性和先进性，在交通流时序预测方面有一定的应用价值。     

城市交通枢纽短期客流量的组合预测模型

客流量的预测对交通枢纽内部组织方案和应急预案的调整起着重要作用,为了更为精确地对交通枢纽短期的客流量进行预测分析,通过分析交通枢纽客流量的变化特点,对比各种预测方法的优缺点,建立了综合BP神经网络和最小二乘支持向量机的组合预测模型,通过BP神经网络初步预测,再利用最小二乘支持向量机的修正,完成对交通枢纽客流量的预测。实际数据验证表明,相比单一的预测模型,文内提出的模型能够将交通枢纽的客流量的预测精度提高约1%,表明论文中方法能够克服单一模型带来的不确定性。      

基于混沌递进预测模型与趋势检验的深基坑变形规律研究

为提高基坑变形预测精度及稳定性,首先,利用遗传算法优化BP神经网络的结构参数,再将参数优化后的BP神经网络与灰色模型结合,构建出GA-BP神经网络模型,并利用该模型实现基坑变形序列的初步预测; 其次,基于残差序列的混沌特性,再利用混沌理论进行残差优化,进一步构建考虑混沌特性优化的GA-BP神经网络模型; 最后,将SR检验引入到基坑变形趋势判断中,以检验预测结果的准确性。实例检验表明： 通过遗传算法及混沌理论的递进优化,能逐步提高预测精度,验证文章预测模型的有效性,且预测结果与SR检验结果的一致性较好,说明该预测模型的可信度高。     

基于BP神经网络的城市轨道交通线网合理规模研究

当下我国城市轨道交通正处于兴旺发展的关键时期，然而我国尚未形成完善的城市轨道交通线网合理规模计算模型和理论，因此有必要深入探究城市轨道交通线网合理规模的计算方法。首先，从国家政策与交通战略、城市经济社会发展水平、城市规模与形态、交通需求与供给等方面，剖析城市轨道交通线网规模的影响因素，提取城镇常住人口、建成区面积、GDP、全网日均客运量、城市轨道交通占公共交通分担率和线网负荷强度6个量化指标。其次，利用我国21座城市的历年城市轨道交通线网规模影响指标数据，构建基于BP神经网络算法的城市轨道交通线网合理规模计算模型。最后，以上海市、深圳市、重庆市、长沙市和南宁市为例，应用该模型对五市2035年的线网合理规模进行预测，以期为我国城市轨道交通线网规划提供科学的依据，促进我国城市交通可持续发展。     

基于投影寻踪神经网络模型的短时交通量预测研究

准确有效地预测短时交通流量是实施交通诱导及控制的前提与关键,但由于短时交通流量具有高度复杂性、随机性、非线性和不确定性等特性,导致预测难度高、准确度低、实时性差。基于此,文中综合利用投影寻踪技术和BP神经网络的优点,提出了运用投影寻踪回归模型和BP神经网络技术相结合建立组合模型的预测方法,并编写出模型的算法程序。将该组合模型应用于路段短时交通量的实时预测实例,实验结果证实该组合模型具有较好的预测能力和较强的时效性。     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。     

公交线路客流模糊神经网络预测模型

提出一种基于模糊神经网络理论的公交线路客流预测模型。实验比较发现,该模型具有较强的自适应性,其预测结果优于常规时间序列模型ＡＲ、ＡＲＭＡ得到的预测结果。该模型适用于公交企业运营调度管理的需要。     

苏州轨道交通3,5号线园区段线位互换的探讨

首先回顾了苏州市轨道交通线网规划发展历程,并对2020年规划线网方案进行了定性和定量分析。在3,7号线线位调整的基础上,提出了3,5号线在园区段线位互换形成新的3,5号线的方案。通过对方案进行工程实施分析和客流测试对比,认为换位后线网功能优化,新3号线与8号线组合可发挥环线功能,方案合理可行。