基于相空间重构和PSO-GPR的短时交通流预测

准确实时的短时交通流预测是智能交通诱导的关键.为提高短时交通流预测精度,研究了基于相空间重构和粒子群优化高斯过程回归的短时交通流预测模型.针对交通流时间序列的非线性、复杂性和随机性,基于混沌理论确定原始时间序列的最佳延迟时间和嵌入维数,进行相空间重构,获得与原始数据具有相同动态特性的更为合理的模型输入-输出数据集.利用粒子群算法改进传统高斯过程模型参数优化的不足,构建预测模型.以重构序列作为预测模型的训练集和测试集,实现短时交通流预测.采用北京市东四环快速路检测器实测数据对比分析模型预测效果.结果表明,基于PSR和PSO-GPR的短时交通流预测模型评价指标均优于对比模型,其中绝对误差平均降低4.88,绝对百分比误差平均降低3.97%,均等系数达到0.963,所研究模型能够有效提高短时交通流预测精度.      

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。     

短时交通流预测研究

对短时交通流进行了混沌识别,表明其具备混沌特性,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的交通流神经网络模型,理论上验证了该方法对短时交通流预测的有效性。     

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。      

基于混沌理论的高速公路网短时交通流量预测研究

随着高速公路网的建成及其交通流量的不断增大,对高速路网交通流实时控制和诱导服务的需求日益突出,而高速公路网短时交通流量的预测,不仅是交通流实时控制和诱导服务的基础和依据,而且预测结果的准确性对改善高速公路网的通行能力和服务水平有重要影响。基于混沌时间序列分析和预测的理论,建立了高速公路网短时交通流预测模型,计算给定区域高速公路网多断面短时交通流量预测值,结果表明利用多维混沌时间序列法预测高速公路网短时交通流量可行且具有较高的精度。     

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。     

城市道路短时交通流预测方法研究

道路交通流预测是现代智能交通系统的关键技术之一,短时预测是实现先进的交通控制和车辆导航的技术基础。为了提高短时交通流预测的精准度,提出了一种基于小波去噪和自适应遗传算法优化BP神经网络的预测模型。利用小波分解和重构将交通流转换成具有不同频率的多个平滑子序列,然后分别对各个子序列进行预测,此种方式能有效降低被预测交通流数据的时变性、复杂性以及非线性,同时自适应遗传算法具有全局搜索能力,能有效地避免神经网络易陷入局部极小值的缺陷,提高了预测模型的精准度。     

基于粒子群优化的关联交叉口群信号控制策略研究

提出基于粒子群优化的城市关联交叉口群信号控制策略.采用具有车型信息的感应线圈检测装置,获取各交叉口的实时交通流信息;通过对短时交通流时间序列进行可预测分析,确定交通流时间序列的动力学性质,对于具有确定性变化规律的时间序列建立基于神经网络的组合预测模型,实现对交通流的在线预测;以车辆平均延误时间最少为优化目标,建立关联交叉口群的信号控制参数优化性能函数,根据粒子群优化思想求解信号控制参数.仿真实验证实,基于粒子群优化的关联交叉口群信号控制策略有效.     

区域交通流的时空预测与分析

论述了短时交通流预测模型的分类、特点和适用条件。通过历史交通流量记录运用最优抽样间隔数据分析发现,在城市道路网络中,路口自身和近邻路口的交通流数据之间存在紧密的时空关系。利用时空自回归移动平均模型来建立路口间交通流的时空关联关系,用于区域交通流的短时预测和时空分析,并详细介绍了该模型的数学描述和建模过程。采用长安街及其沿线路口的区域交通流量作为试验数据,验证了该模型在交通流的短时预测和时空分析中的可行性。该模型在考虑预测值所在位置时间序列的同时,也考虑到了空间上相邻位置的时间序列,大大提高了短时交通流预测的准确性。     

基于混沌理论的短期交通流量多步预测

短期交通流量预测是智能交通系统的核心研究内容之一.针对城市交通流具有的混沌特性,提出1种具有较高精度的短期交通流量多步预测方法,以支持交通控制和交通流诱导.利用最大Lyapunov指数方法判别交通流量时间序列的混沌特性,对交通流量时间序列进行相空间重构,并在此基础上结合加权一阶局域方法设计了基于混沌理论的交通流量多步预测算法.将此方法运用于实际道路交通流量的多步预测,比较多步预测值与实际流量值,其平均绝对百分比误差为3.33％,平均绝对误差为9.05/[pcu· (5min)-1],均方根误差为10.36/[pcu·(5 min)-1].应用结果表明,该预测方法具有较高的精度.     

一种短时交通流异常数据识别新算法

为了提高短时交通流预测建模的准确性和可靠性,需要对原始交通流时间序列中的异常数据进行识别和修正。首先分析了异常数据的来源,重点介绍了一种基于统计的双重准则识别算法;其次给出了一个实例分析,在建立短时流量预测模型前,将双重准则识别算法用于交通量时间序列以排查异常数据。实例研究表明,文章提出的双重准则识别算法可快速有效地辨认出交通流异常数据。     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

数据融合技术在短时交通流预测中的应用

提出了短时交通流预测的时间间隔长度,介绍了常用短时交通流预测方法.结合数据融合技术,明确了短时交通流预测的改进方向之一,即模型选择、模型组合,并给出了短时交通流预测的数据融合算例.     

基于多车道加权融合的短时交通流预测研究

短时交通流预测是改善交通规划与管理效率的一个重要因素,为了提高交通运输管理和调度能力,从路段多车道交通流隐含的交互关系,引入一种基于多车道加权融合的短时交通流预测方法。用该方法分析了加州高速公路某五车道单检测点各车道交通流与聚合交通流之间的相关性,发现每个车道交通流与聚合交通流都呈现高度关联性。基于此,构建一种能够学习交通流上下关联性的双向长短时记忆模型。基于3种时间间隔数据,选取某一间隔交通流进行归一化及预处理,将各车道交通流和聚合交通流数据分别构成相对应的一组,采用几十组同"星期几"相应数据分别输入双向长短时记忆模型进行训练,利用各部分模型分别预测同一天相应车道和聚合的交通流。最后对预测的各部分交通流采用岭回归算法计算融合权重。通过权重融合预测的各车道交通流和聚合交通流作为最终预测的交通流,进一步在三车道检测点的3个时间间隔交通流进行试验。结果表明:本预测方法相对于未考虑各车道交通流与聚合交通流相关性传统预测模型的MAE、RMSE值均有一定程度降低,具有更高的预测精度和鲁棒性,是一种有效的交通流预测方法。     

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。     

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SSA RX-N A RX模型的短时交通流预测

为了提高短时交通流的预测精度,向出行者提供更加准确可靠的道路交通信息,在充分考虑交通系统非线性特征的基础上,提出了基于SSARX-NARX的短时交通流预测模型.该模型以NARX作为短时交通流预测基础模型,采用SSARX方法建立了短时交通流预测状态空间模型并估计了模型参数,然后将估计出的状态空间模型的系统阶次和马尔科夫参数的值分别作为N A RX基础预测模型线性部分的初始参数值,优化后构造了SSARX-NARX预测模型.利用PeMS数据库的交通流数据,验证了SSARX-NARX模型的预测性能,比较了SSARX-NARX模型与SSARX模型的预测精度.结果表明,SSARX-NARX模型可以实现1步和多步短时交通流预测,并且针对5步和10步短时交通流预测,SSARX-NARX模型的MAPE值分别比SSARX模型小0.76% 和2.4%,而针对1步交通流预测,SSARX-NARX模型的MAPE值比SSARX模型大0.13%,但相差不大.      

基于K近邻算法和支持向量回归组合的短时交通流预测

为了提高短时交通流的预测精度,向交通管理部门和出行者提供更加准确可靠的交通信息,基于非参数回归与支持向量回归方法的特点,提出了一种混合预测模型(KNN-SVR)。该模型利用K近邻方法的搜索机制,重建与当前交通状态近似的历史交通流时间序列,然后利用支持向量回归原理实现短时交通流预测。针对实际的交通流数据,考虑预测路段上下游交通流的影响,对提出的KNN-SVR模型的预测精度进行了分析。研究结果表明:同时考虑预测路段和其邻近路段交通流影响的KNN-SVR模型具有更好的预测精度,其预测误差最小,平均为8.29%,而仅仅考虑预测路段交通流影响的KNN-SVR模型,其预测误差略高,平均为9.16%;KNN-SVR模型的预测精度优于传统单一的预测方法,如K-近邻非参数回归、支持向量回归以及神经网络方法。     

短时交通流预测的多层递阶方法

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。然而,目前很多预测模型均假定模型的参数是不随时间变化的,这与实际不符,从而影响了预测的精度。本文提出采用多层建模与灰色建模的综合方法预测短时交通流。该方法把预测问题分为两部分:一是预测模型参数的预测;二是根据参数预测值的交通流预测。其中,对模型参数运用灰色理论预测方法。实例分析表明,本方法有较好的预测精度和实用价值。