基于加权一阶局域法的短时交通流量预测的研究

本文在分析了城市短时交通流时间序列和混沌特点基础上,通过对混沌时间序列预测方法的研究,提出了一种基于加权一阶局域法的短时交通流量预测方法。该方法引进了权值,使得它比全域法具有更好的自适应能力和较高的预测精度。对实际短时交通流量进行预测,取得了令人满意结果。     

混沌时间序列局域零阶预测法性能比较

利用计算机仿真比较了均值、距离加权和指数加权3种混沌局域零阶预测方法的预测精度、抗噪声及多步预测性能．在无噪声或噪声干扰较小时，距离加权预测法的性能最好；当噪声干扰较大时，指数加权预测法预测性能最优．指数加权与均值预测法几乎具有相同的多步预测能力，距离加权预测法的短期预测性能最佳．对于标准的离散混沌时间序列，3种预测方法多步预测误差达到一定值后，不再随预测步长的增加而增加；对于由连续系统抽样得到的混沌时间序列，多步预测误差呈现一定周期性变化．     

两种短时交通流混沌预测方法分析

短时交通流预测是智能交通系统的核心内容和交通信息服务、交通诱导的重要基础。采用符合交通流特性的混沌理论对短期交通流进行预测。在相空间重构和混沌识别的基础上,建立短期交通流加权一阶局域预测模型和基于最大Lyapunov指数的预测模型,并对一组实际的交通流数据进行预测。仿真结果表明:两种方法都能较准确的预测交通流,但最大Lyapunov指数预测模型的预测精度相对较高。     

变参数混沌时间序列的神经网络滚动预测研究

神经网络适合于全局建模预测,在确定性混沌系统时间序列的预测中获得广泛应用.许多混沌系统由于参数的慢变导致系统的动力学特性不断发生变化,全局预测方法很难适用,为此提出一种具有固定时间窗的神经网络滚动预测算法.对典型变参数Henon和Ikeda混沌时间序列的预测结果说明,该算法具有较好的跟踪预测性能.     

基于延迟坐标状态空间重构的短期交通流预测研究

交通系统是一个有人参与的，时变的，开放的复杂巨系统，具有高度的非线性和不确定性。混沌理论研究非线性动力学系统随时间变化的规律，本尝试用混沌理论对交通流进行分析和预测。本首先对交通流特性进行了分析，给出了交通流基本参数流量-速度-占有率的关系，并得出交通流特性平日和周末不同，应分别进行分析和预测的结论。本分别用互信息法和G-P算法确定了重构和空间中的重要参数（时间延迟，嵌入维和相关维），在此基础上重构延迟坐标状态空间，并用基于相空间重构的加权一阶局域预测法进行短期交通流预测，预测时间间隔为5分钟。用从上海延安路高架桥的感应线圈采集到的每隔5分钟的交通流数据进行验证，得到的预测结果和实际数据的误差很小，精度较高。因此，基于延迟坐标状态空间重构的短期交通流预测的方法是可行的。且结论是可信的。     

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。     

基于混沌理论的短时交通流量预测

随着智能交通的发展,实时动态交通分配成为当前研究热门问题.短时交通流预测是实.时动态交通分配的关键技术之一,在当今交通控制以及车辆导航中具有不可替代的地位.通过对交通流数据进行分析,得出交通系统具有耗散系统特性.并且存在混沌.在此基础上,运用混沌理论对交通流数据进行相空间重构,并用多元局域预测法对时间序列进行预测.通过分析预测数据,得出基于混沌理论的短时交通流量预测在2～5 min内具有较高的预测精度.     

基于改进小波变换方法的混沌信号去噪研究

针对混沌信号和噪声频谱互相重叠,传统方法难以实现有效滤波这一问题,提出一种改进的小波去噪方法.该方法采用参数加权法构造信号,将小波分解系数进行阈值处理,通过循环迭代,利用序列中包含的有效信息,将有用信号提取出来.仿真结果表明,利用改进小波变换去噪方法改善了混沌时间序列的预测结果,证明了该方法的有效性.     

基于混沌理论对北京二环路进行短时交通流量预测的研究

随着机动车保有量的增加,交通拥堵变成迫切需要解决的问题. 道路交通流预测可以使交通管理部门提前制订相关政策,面对即将出现的交通问题提前采取管控措施,从而可以在一定程度上缓解交通压力. 道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础. 本文在对交通系统具有耗散系统特性分析的基础上,认为交通状态中存在混沌. 本文运用混沌与分形理论恢复交通流量序列的动力学系统,并用多元局域预测法对时间序列进行预测,并实地采集数据运用模型进行分析校验. 通过分析不同时间间隔的时间序列的评价指标,比较得出此法在2至5分钟内有较高的预测精度.     

基于非线性AR模型的时间序列弱非线性检验方法

提出一种基于非线性AR模型相对预测误差的非线性检验量δNAR,采用替代数据法来检验时间序列中的弱非线性.以4种混沌时间序列为例,分析并比较了非线性检验量δNAR与非线性零阶预测误差δZP的弱非线性检验能力.结果表明,对4种混沌时间序列中的3种,非线性检验量δNAR都表现出比非线性零阶预测误差δZP更强的弱非线性检验能力,表明该非线性检验量具有较强的数据适应性,而且对于不同的数据,具有最佳非线性检验效果的参数比较固定.     

Short-Time Traffic Flow Prediction Based on Chaos Time Series Theory

Traffic flow prediction has become a kernel study in intelligent transportation system. A prediction model of short-time traffic flow is presented based on chaotic time series analysis method. After the phase space reconstruction using traffic flow data, a two-step optimized selection method is proposed, which considers Euclidean distance and equal coefficient between neighboring point and predicted point. Then the prediction model is educed with the local polynomial method to approximate the neighboring points. The model proposed in this paper is applied to predict the real traffic flow in Dongjiang road, Dongguan city in Guangdong province, China. Comparing the predicted traffic flow value with the flow measured in reality, the results show that the maximal relative error is 0.445%, whereas, the minimal one is 0.038%. Moreover, the single-step forward prediction only requires 38.52 seconds. As a result, it is proved that the method can significantly improve the prediction accuracy and meet the requirement of the real-time prediction.     

���ڻ���ʱ�����з������Ķ�ʱ��ͨ��Ԥ���о�

交通流预测分析已成为智能交通的核心研究内容之一。依据混沌时间序列分析方法,建立了短时交通流的预测模型。在对实测的交通流数据进行相空间重构的基础上,综合考虑欧氏距离和均等系数,提出了最邻近点的两步优化选择方法,并采用了局部多项式拟合方法对所选取的最邻近点进行逼近以求得预测公式。本文将此方法运用于东莞东江大道流量预测,比较预测流量和实测流量,得出最大相对误差为0.445％,最小相对误差为0.038％,且单步预测时间仅为38.52秒。结果表明,该预测模型具有较高的精度,同时也能够满足实时性的要求。     

基于混沌时间序列的道路断面短时交通流预测模型

为了提高道路断面短时交通流预测的精确性,本文对道路断面的短时交通流数据进行混沌时间序列分析,并对多维交通流时间序列数据进行了相空间重构,建立基于混沌时间序列分析的道路断面短时交通流预测模型,利用粒子群优化算法优化模型的参数选择．最后应用本文的方法对城市快速路采集的断面交通流数据进行分析,对道路断面短时交通流建立预测模型并验证其有效性．     

一种航路扇区概率性交通需求预测方法

空中交通拥堵逐渐从终端区向高空航路网络蔓延,准确预测航路扇区交通需 求概率性变化成为科学实施拥堵管理的重要前提,而国外已有方法较难适用我国空管实 际数据条件.为解决该问题,本文基于空管现有航空器过点时间数据,设计了基于预测误 差分布特性的统计方法,提出了航路扇区概率性交通需求预测方法.结合中南地区典型运 行数据,提取并验证了各扇区过点时间的预测误差分布规律,获得了各扇区交通需求值 及其概率分布,发现所得概率性交通需求预测结果较之传统确定性交通需求预测方法更 准确,适合为我国高空航路拥堵管理研究提供需求预测依据.     

基于有限穿越可视图的进场航班流量波动特性研究

研究空中交通流量的波动特性是设计高效流量管理措施和控制策略的基础，掌握空中交通流量波动特性有利于空域资源配置与流量运行需求之间的均衡匹配。在3种时间粒度上，针对进场航班流量时间序列，一方面从复杂网络整体维度出发，采用有限穿越可视图对时间序列进行建网，利用k-core算法探究航班流量波动特性；另一方面从复杂网络局部维度出发，引入序模体方法，构造有限穿越可视图序模体，利用多元序模体类型转换规律来刻画流量的动态转移模式，进而掌握航班流量波动动态演化规律，为波动模式的预测提供了有效工具。研究结果表明：在有限穿越可视图方法映射得到的网络中，节点所属核阶数可以有效刻画流量波动强度，且与波动强度成正相关关系，即节点所属核阶数越大，波动强度越大，天津机场进场航班流量数据的强波动时 段为16:50-17:30；序模体越长，波动特性刻画能力越强，但鉴于受到空中交通混沌特性影响，序模体过长对于流量预测意义不大，推荐使用5节点序模体；波动模式状态转移图在有效刻画流量波动动态演化的同时，也可以计算波动模式的转移概率，3种时间粒度下转移概率分别为12.315%、 13.131%和10.638%，为波动模式的预测提供了有效工具。     

空中交通流非线性分形特征

为了给空中交通流建模与预测提供科学依据,建立4种时间尺度的时间序列,采用替代数据法进行了非线性检验,确定5 min尺度的时间序列作为后续研究对象;应用小波分解方法研究了时间序列的自相似性特征,通过R/S方法计算了全局和局部Hurst指数,研究了时间序列的长相关性特征;应用关联积分的二阶差分法计算了时间序列的无标度性区间;采用多重分形谱方法研究了时间序列的多重分形特征,应用Grassbeger-Procaccia （GP）算法计算了时间序列的关联维数. 研究结果表明:5 min时间尺度的时间序列具有非线性因素的概率为99.2%,其他3种时间序列的非线性尚不明确;从小波分解图可定性观察出时间序列具有较强的自相似性;全局Hurst指数为0.756 5,局部Hurst指数均大于0.5,表明时间序列具有长相关性;关联积分二阶差分法能够有效识别出无标度区间,说明时间序列具有无标度性,不同嵌入维数对应的无标度区间是不同的;多重分形谱图呈现钟型,说明具有多重分形特征;关联维数为6.89,表明至少需要7个变量才能清晰描述本时间序列对应的空中交通流.      

混沌时间序列的双线性自适应预测

基于混沌动力系统相空间的延迟坐标重构和双线性表达式，设计了预测混沌时间序列的双线性自适应预测滤波器．对2种低维混沌序列的预测实验表明，采用双线性自适应滤波器的预测收敛速度快，处理约50个样本时即已收敛，预测相对误差小于0．001．     

基于协整理论的短时交通流组合预测研究

交通流短时预测是智能交通系统中的一个重点问题,预测效果的好坏直接关系到控制和诱导的结果,是实现先进交通管理信息系统的关键技术之一. 本文简要介绍了协整和误差修正模型的概念,利用序列的协整性来进行交通流组合预测模型的有效性验证,并利用误差修正模型提高组合预测模型的稳定性. 我们利用北京市二环路上采集到的交通流数据进行了模型的验证. 研究结果表明,基于协整理论的交通流组合预测模型可以取得很好的预测效果.