基于贝叶斯网络组合模型的公交驻站时间预测

公交驻站时间是公交行程时间的主要组成部分,其预测精度直接影响智能公交系统中公交信息发布的准确性.为了提高公交驻站时间的预测精度,提出一种基于贝叶斯网络的组合预测模型,它由反向传播神经网络和径向基函数神经网络模型组成.首先利用两种神经网络模型预测公交驻站时间;然后利用改进后的等宽数据离散方法,将两种神经网络的预测结果和观测的驻站时间数据离散后用于贝叶斯网络学习;最后通过贝叶斯网络推理得到驻站时间组合预测结果.实例分析表明,贝叶斯网络组合模型驻站时间预测结果的误差指标均优于单一模型,证明其可有效提高单一模型的预测精度.     

铁路旅客列车晚点的贝叶斯网络模型研究

通过分析导致铁路旅客列车晚点的设备、人为和环境等各种影响因素,运用能较好解决不确定性问题的贝叶斯网络,建立铁路旅客列车晚点的贝叶斯网络模型.利用Matlab中的BN推理工具软件包BNT计算出基本事件的后验概率.最后,通过实例数据分析得出了影响铁路旅客列车晚点的重要因素,为相关工作人员提供了一定的理论参考依据.     

交通流预测的马尔科夫粒子滤波方法研究

智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.针对目前马尔科夫交通流量预测模型在精度方面的不足,以及交通流量随机性、波动性的特点,提出马尔科夫粒子滤波交通流预测模型.一方面,将对交通流量预处理后的样本数据应用于马尔科夫模型中预测未来交通流量,能够较好地描述交通流量的变化趋势;另一方面,针对该预测结果精度的不足及对非线性预测不稳定的缺点,引用粒子滤波算法,将预测结果及权值进行不断更新,以及样本重选样过程,经过多次迭代,使样本粒子更加逼近真实预测值,从而提高预测精度.最后,以北京昌平区某检测器检测到的交通量进行仿真,将预测结果与传统马尔科夫链进行误差对比分析.结果表明,本文提出的马尔科夫粒子滤波交通流预测模型 5 min间隔误差为6.14%、1 h间隔误差为6.04%,预测精度高,具有更好的适用性和稳定性.     

基于约束卡尔曼滤波的短时交通流量组合预测模型

为了克服单一的交通流预测模型性能不稳定的问题,提出了基于约束卡尔曼滤波的短时交通流量组合预测模型。约束卡尔曼滤波组合预测模型以各单一预测模型的权重为状态变量,交通流量为观测变量,预测结果是单一预测模型的加权和,加权系数由约束卡尔曼滤波方程递推动态确定,最后通过广深高速公路上采集的交通流量数据对算法进行了验证。结果表明,在不同预测步长情况下,约束卡尔曼滤波组合预测模型要优于最佳的单一预测模型或与其持平,并且不受某一较差的预测模型影响,具有较高的鲁棒性。     

基于贝叶斯网络的长江航运安全状况监测 模型研究

为提升航运安全监测水平，依据系统工程学理论构建贝叶斯网络拓扑结构，提出基于贝叶斯网络的长江航运安全监测模型。通过对1 465 条长江航运事故数据分析与处理，借助Genie 软件对长江航运安全贝叶斯网络进行模拟，标定模型参数。利用改进马尔科夫链蒙特卡洛算法可以满 足细致平衡的要求且能与实际的后验概率保持一致的特点，采用马尔科夫覆盖对模型下一阶段的状态进行预测，最后以武汉长江大桥航段某日观测数据为例进行实例验证。结果表明，影响长江航运安全的4个主要因素的22 个子节点相互独立，所建长江航运安全状况监测模型操作性强、可视化程度高、监测结果连续、符合实际情况。     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.     

基于贝叶斯网络的长江航运安全状况监测模型研究

为提升航运安全监测水平,依据系统工程学理论构建贝叶斯网络拓扑结构,提出基于贝叶斯网络的长江航运安全监测模型。通过对1 465条长江航运事故数据分析与处理,借助Genie软件对长江航运安全贝叶斯网络进行模拟,标定模型参数。利用改进马尔科夫链蒙特卡洛算法可以满足细致平衡的要求且能与实际的后验概率保持一致的特点,采用马尔科夫覆盖对模型下一阶段的状态进行预测,最后以武汉长江大桥航段某日观测数据为例进行实例验证。结果表明,影响长江航运安全的4个主要因素的22个子节点相互独立,所建长江航运安全状况监测模型操作性强、可视化程度高、监测结果连续、符合实际情况。     

基于贝叶斯估计的短时空域扇区交通流量预测

为准确把握空域扇区流量分布态势及未来变化趋势,提出了一种基于贝叶斯估计的短时空域扇区交通流量预测方法.首先,通过解析空域系统内航空器原始雷达数据,提取各扇区历史运行信息,建立了多扇区聚合交通流模型;其次,采用贝叶斯估计理论对模型参数进行最优估计和动态更新,预测了空域扇区交通流量的未来演变趋势及其不确定范围;最后,选取国内5个典型繁忙扇区为例,以5 min为时间段,以未来1 h为预测范围,对所提预测方法进行了验证.研究结果表明:85%以上时段交通流量预测结果的绝对误差在3架以内,平均绝对误差均在2架次以内,预测结果的稳定性较好,可充分反映各空域扇区之间短时交通流的动态性和不确定性,符合空中交通的实际情况.      

城市短期交通流量预测方法的探讨

根据实际观测得到的交通流量数据,运用灰色预测模型、神经网络以及最小二乘拟合等三种交通流量预测模型．对上海市延安东路隧道浦西段入口处短期车流量进行短期的预测。计算结果表明,神经网络模型的精度最高。最后提出一种根据短期交通流量预测结果的人工智能解决交通拥堵的方案。     

上海轨道交通网络客流预测的后评估

在轨道交通客流预测研究工作中,日均客流和高峰高断面客流的预测结果是各方面关注的重点.通过对既往轨道网络客流预测的后评估,即充分利用原有预测数据或预测前提进行推算,得到2008年全网的预测值,将其与2008年实际值进行对比,分析差异,查找因为,旨在为预测模型改进及其相关的研究提供一定的帮助.     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

短时交通流预测模型

针对短时交通流变化周期性与随机性的特点,提出了新的混合预测模型,包含非参数回归模型与BP神经网络模型2种单项模型。非参数回归模型利用相关历史交通流数据,通过数据库匹配操作,确定预测结果,以充分体现交通流的周期稳定性。采用3层BP神经网络模型反映交通流的动态与非线性特点。采用模糊控制算法确定各单项模型的权重,并按不同权重有效组合成新的混合模型。采用西安市某路段30d的交通流量数据验证混合模型的预测效果。试验结果表明:该混合模型的平均相对误差为1.26%,最大相对误差为3.53%,其预测精度明显高于单项模型单独预测时的精度,能较准确地反映交通流真实情况。     

基于贝叶斯网络的交通事件持续时间预测

随着数据采集手段的不断提高和相关研究技术的发展,基于数据挖掘的模型逐渐成为交通事件持续时间研究的主要方向。根据荷兰交通部门提供的交通事件采集数据,进行分类和预处理,观察事件持续时间的频数图,并根据相关的研究按照事件典型的类别把采集的数据进行分类。使用主成分分析和逐步回归提取出显著性的影响因子,利用数据挖掘软件WEKA建立贝叶斯网络模型,用数据集中80%的数据进行学习建模,20%的数据作为测试集来检测模型的预测效果,并做出性能评价。实验结果表明,与同类数据集的其他预测方法相比,贝叶斯网络模型对于变数众多,随机性特别大的交通事件,预测精度较高,证明贝叶斯网络模型的算法是具有一定优越性和实用价值。     

一种路网交通流参数的融合预测方法

提出了数据驱动与中观交通仿真融合的交通流预测框架.该框架将数据驱动 方法在路网局部断面和路段的高精度预测能力与中观交通仿真的路网范围预测能力结 合起来,通过可信度高的路网局部断面和路段预测值,在线修正中观交通仿真模型的参 数,使得中观交通仿真模型能够逼近、反映交通流运动趋势,提高路网范围交通状态预测 精度.通过结合路段旅行时间预测与中观交通仿真的实例分析证明,断面和路段预测和中 观交通仿真结合发挥了两者各自的优势,预测结果优于单一的中观交通仿真方法.     

基于云-自组织神经网络的交通流预测模型

现代交通系统结构复杂,涉及的数据类型和数量众多,模糊性、随机性和不确 定性等因素的存在增加了数据分析过程中定性与定量综合集成的难度.本文对城市交通 流预测进行了研究,根据云模型和自组织神经网络的特点,构建了云-自组织神经网络 交通流预测模型.该预测模型运用云模型处理数据的模糊性和随机性问题的优势,提高了 自组织神经网络预测中学习样本数据的可靠性.通过对某城区的实际数据进行对比测算, 改进的预测模型比单纯使用自组织神经网络预测模型决定系数更高.结果表明,本文提出 的模型在交通流预测中提高了准确率,降低了预测泛化误差.     

基于随机重复爬山法的交通状态预测

合理构造影响交通状态网络结构,是实现交通状态预测的前提条件.为克服爬 山法易陷入局部最优的缺陷,提出一种基于随机重复爬山法的交通状态预测方法.对随机 生成的有向无环图迭代运行爬山法得到多网络结构;通过有向边置信度的定义和置信度 阈值的计算,确定了最优贝叶斯网络结构中节点和有向边选取准则;利用最优贝叶斯网 络结构,实现了畅通、平稳、拥挤和阻塞等4 种交通状态的预测并综合评价.分析结果表 明,该方法仅选取时段、节假日等两变量时,对交通状态预测总体准确率超过85%,能够 为高速公路运行状态监测预警和决策分析提供有效方法和数据支撑.     

基于动态时间调整的时空图卷积路网交通流量预测

为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度, 本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络 (TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征; 引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网 中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节 点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明：TSARGCN在交通流量预测中的平均绝对误差 (MAE) 达 到 19.24,均方根误差 (RMSE) 达到 27.09,比 ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及 ASTGCN (Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。     

�����е��͵�·��ͨ����״̬������Ԥ���о�

对城市的道路交通运行状况进行全面分析评估并实时监控、预测,可以有效地消除交通隐患,增强城市交通管理部门对城市交通的管控能力.本文基于北京市典型道路交通流特性分析及已有的道路交通流预测模型,提出道路交通运行状态组合预测模型,确定了非参数回归模型作为预测模型的核心,组合使用傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型对北京市典型道路的交通运行状态进行预测.针对北京市道路交通流信息采集系统实际情况及未来预测信息图形化发布的需要,提出了道路交通流预测系统的异构数据融合方法及道路编码模型及方法.