基于小波消噪的ARIMA与SVM组合交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量非线性和强干扰性的特征,首先应用小波分析方法,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;然后采用自回归求和滑动平均(ARIMA)和支持向量机(SVM)的结合预测模型对交通流进行了预测,最后用实测交通数据进行了验证分析,得到了两个结论:一是组合预测模型比单个预测模型的预测精度高;二是小波分析消噪后的组合预测模型比没有消噪的组合预测模型预测精度高.结果表明消噪后的组合预测模型具有较高的预测精度,可用于交通流的实时动态预测.     

BP神经网络在通道交通流预测中的应用探索

利用通道交通流参数在通道相邻路段的传动机理,分析上下游交通流特征参数的耦合关系,提出通道交通流预测技术,并基于传统数理方法建立交通流预测模型的局限性,提出神经网络模型。利用遗传算法不断优化网络权值,并通过改变网络隐含层节点数以及网络各层之间的转移函数提高网络模型的预测精度,实现通道下游交通流的实时预测。     

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。     

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

基于灰色系统理论的短时交通流预测

通过分析短时交通流时序特性,将灰色系统理论应用于短时交通流预测,建立了滚动GM(1,1)预测模型。分析表明:该模型较好地预测了短时交通流的变化趋势。     

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%.     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

公路隧道交通流预测模型研究

在公路隧道前馈式通风控制系统中，需要对下一控制周期内的交通流进行在线预测。针对公路隧道交通流的特点，分别建立了神经网络预测模型和模糊逻辑预测模型，并采用仿真手段对它们的预测效果进行测试。测试结果表明，神经网络预测模型对正常交通流的预测精度较高，而模糊逻辑预测模型则对异常交通流的预测精度较高。     

交通流预测方法综述

实时交通流预测是智能运输系统研究的一个重要问题。为此,建立了许多预测模型,有历史平均模型、时间序列模型、卡尔曼滤波模型、非参数回归模型、神经网络模型和组合模型等。总结评述现存的各类模型,提出交通流预测研究领域今后可能的发展趋势。     

基于相空间重构的短时交通流预测研究

短时交通流预测在城市交通控制和管理中起着十分重要的作用。本文通过分析短时交通流量数据在时间序列上的特点，引入混沌理论的分析方法，从非线性时间序列预测的角度对交通流量预测进行了研究。通过计算交通流系统相空间重构参数，给出了一种基于相空间重构理论的局部预测方法，对城市道路路段交通流量进行短时预测，取得了较为满意的效果。     

基于时空特性和RBF神经网络的短时交通流预测

针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。     

基于时间序列相似性搜索的交通流短时预测方法

为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度.      

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于模式识别的短时交通流预测

实时准确可靠的短时交通流预测是智能运输系统的基础,有很多种方法被用来对交通流进行预测.基于模式识别的交通流预测方法是较新的预测方法之一.提出一个用于短时交通流预测的模式和对应的模式识别算法,并对城区道路的交通流做了实验预测,结果表明在趋势上较为准确.     

基于ARMA模型的公交枢纽站客流量预测方法研究

分析了城市公交客流量预测的必要性,提出了运用时间序列模型进行短期预测的方法;以城市公交短期交通特征为基础,设计了公交站点的ARMA短期客流预测模型;研究了单线路公交站点客流传统行为,构建了重点区域的枢纽站总客流实时预测模型,并采用上海市五角场枢纽站客流数据对比验证了文中模型的可行性,提出了枢纽站公交调度的优化建议。     

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。