组合短路段的长路段旅行时间短时预测

旅行时间预测是城市智能交通系统的必要组成部分。利用时间序列ARIMA模型预测短路段的旅行时间,然后组合短路段的预测结果得到长路段的旅行时间预测结果,最后与直接利用ARIMA模型预测长路段的旅行时间方法进行了对比。研究表明,组合短路段的长路段旅行时间预测方法具有更高的精度和更优的预测效果,在旅行时间短时预测方面具有较好的实用性。     

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.      

基于时间序列法的高速公路沥青路面车辙预测模型研究

由于影响车辙的因素较多而且较复杂,常规的数学方法建立的车辙预测模型难以准确预测路面车辙的发展趋势.该文依据湖南潭邵高速公路沥青路面车辙深度历年数据,利用时间序列法建立了能考虑不同数量滞后值的时间序列路面车辙深度预测模型,并对预测模型的修正性进行了分析.模型预测值与实测值对比表明,时间序列法具有较高的预测精度,且其易修正性是其他预测方法所不具备的.     

卡尔曼时间序列模型预测路面平整度指数

路面平整度的发展趋势受交通量、温度及使用时间等许多因素的影响,很难建立综合全面的预测模型。而时间序列法利用历年的IRI值可解决这个问题。针对传统的时间序列法计算的不足,提出了将卡尔曼滤波应用于时间序列IRI预测模型的方法,能充分利用观测值对状态估值进行实时修正,可有效提高预测模型的预测精度,且无需储存大量的历史观测数据。最后,通过实例证明了该模型有效可行。     

基于季节ARIMA模型的桥梁退化预测分析

桥梁监测序列是典型的非平稳时间序列,需要进行一些处理将非平稳序列平稳化后再拟合ARMA模型。将监测数据平稳化后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型即为ARIMA模型。以玉峰大桥为例,介绍了季节ARIMA模型的建模思路与总体流程,模拟了检测序列的变化趋势。以季节ARIMA模型为预测模型作为结构的退化模型,对测点进行退化趋势模拟与退化临界时刻预测。结果显示ARIMA模型对序列的拟合效果良好,可以用于桥梁监测序列的预测,其对退化临界时刻的预测可以从整体上掌握桥梁的整体退化趋势和极限使用寿命。     

基于GM-ANN模型的路面性能预测方法

路面性能预测是公路路面管理系统中的核心技术难点,一直以来受限于分析手段、数据体量不足及数据维度低等多种因素影响,导致现有几类性能预测模型的预测值与实测值偏差较大。将路面病害以时间序列进行灰色系统(GM)分析,后以各类病害预测值为输入,借助人工神经网络(ANN)间接对路面状况指数(PCI)进行预测,构建基于人工智能的混合模型(GM-ANN)。最后选用地区随机路段进行实例验证,并同常用模型预测结果进行对比分析。结果显示：基于GM-ANN的混合预测模型更具较好的精度及可操作性,在实际工程应用中,可为大数据养护决策提供更准确、可靠的参考依据。     

基于季节ARIMA模型的公路交通量预测

为了提高公路交通量季节性预测的精度,在介绍一般ARIMA模型的基础上,推导出一种具有周期的季节ARI—MA模型的一般表达式,以及使用这种模型进行建模和预报的一般过程。在实证分析中,先用傅立叶周期分析法检验时间序列的周期性并求出周期长度,然后用Eviews软件对时间序列作平稳性检验以及实现模型的识别、建立、选择与预测过程。与三个常用季节预测模型：分组回归模型、可变季节指数预测模型和季节周期回归模型相比,季节ARIMA模型的预测精度最高。研究结果对于更为科学准确地预测公路交通量具有一定意义。     

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

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。     

路面结冰时间预测方法

通过室内控制试验获取路面结冰相关数据,将温度、风速及降雨量作为输入变量,结冰时间作为输出变量,建立了路面结冰时间的多变量多项式回归预测模型;引入核函数,将路面结冰预测问题转化为高维空间中的线性回归问题,构造了多输入、单输出的支持向量机路面结冰时间预测模型。将预测结果与实测数据进行比较。结果表明,两类方法均能较好地预测路面结冰时间,四次多项式统计模型预测值与实际值的相关性为0.974,支持向量机预测值与实际值相关性为0.99,支持向量机预测结果更精确,表明支持向量机更适用于处理小样本、非线性、维数灾难和局部极小等问题。     

基于灰色模型方法的路面使用性能预测

文中引入灰色系统理论对路面使用性能预测进行了拓展。使用常规GM(1,1)模型进行预测时,随着时间序列的增长,预测的精度将不断降低,只有时间序列较近的几个数据的精度较高。针对常规GM(1,1)模型存在的不足,文章改进了常规模型,并利用改进后的模型对某高速公路路面使用性能进行了预测。根据预测结果与路面实际检测数据的对比,分析模型预测结果的合理性和该指标的发展,证明改进后的模型精度较高,预测误差较小,可作为制定养护计划的依据。     

基于PCA-GBDT的城市道路旅行时间预测方法

城市道路旅行时间预测是城市智能交通管理系统和交通信息服务系统的重要基础。利用实测的车辆旅行时间数据,提出了进行城市道路旅行时间多步预测的主成分分析-梯度提升决策树(PCA—GBDT)方法。首先使用主成分分析方法进行旅行时间序列分解和主成分提取,之后建立了利用梯度提升决策树方法的旅行时间多时段预测模型。实际案例结果表明,与传统kNN方法、时间序列ARIMA方法、支持向量机(SVM)方法相比,PCA—GBDT方法具有更高的预测精度与算法稳定性。     

路面摩擦特性预测研究

本次研究基于路面抗滑特性的预测问题,运用道路摩擦系数测试仪在公路上进行路面摩擦系数测试试验,并对试验结果进行分析,提出了路面摩擦系数的影响因素。应用广义回归神经网络分析方法,以影响因素为分类标准,确定了摩擦系数预测模型的分类,建立了基于广义回归神经网络的路面摩擦系数预测模型,并通过60组试验数据对网络模型进行了训练,利用6组实验数据进行预测结果对比。结果表明,模型预测值与实测值的平均误差为3.0%左右,模型预测结果与实测结果吻合,所构建模型是正确的,且具有较高的精度;此外还通过实车进行了汽车制动试验,并根据试验结果与模型预测结果对比,为交通事故分析中计算事故车速提供依据。     

基于GA-AIC的路面检测信息多元回归模型优选

为便于对大规模路面状况进行评价,必须寻找路面状况的测定数据与专家评分值之间的联系,建立主观专家评分与客观实测数据之间的关系,即路面使用性能——路面状况指数PCI关系。该文基于AIC准则和遗传算法,根据实际调查的数据,建立了利用弯沉、国际平整度指数及横向力系数模拟路况指数的模型,较好地模拟路面使用性能间的关系。实例证明该文所提出的基于AIC准则和遗传算法并兼顾拟合精度和预测精度的新的路面安全检测模型优选方法具有一定的优越性。     

基于数据挖掘的固定型交通检测器配置优化

结合固定型交通检测器空间配置的4条原则和配置密度优化步骤,提出基于数据挖掘技术的固定型交通检测器配置优化方法.设计6种高速公路出口匝道的固定型交通检测器配置密度方案作为实例研究对象,运用数据挖掘技术的时间序列指数平滑方法、ARIMA方法和神经网络方法分别建立高速公路出口匝道小时交通量Winters预测模型、ARIMA预测模型及神经网络预测模型.采用网格搜索技术确定Winters模型参数,设计一种比传统ARIMA模型参数估计方法更精确的算法程序,来估计ARIMA模型参数,采用3项误差指标评价模型预测效果.根据预测结果及高速公路事件管理交通参数精度要求确定可行方案及最佳方案.实例研究表明,在保证满足ITS 对交通参数精度要求的同时,通过数据挖掘技术降低了交通流信息采集固定型检测器的配置密度及成本.     

基于ARIMA-FNN的道路交通事故最优加权组合预测模型

1个适应性良好的道路交通事故预测模型对于交通管理、控制和有关规划设计起着重要作用,文中根据交通事故发生的时空性和多因素性,利用ARIMA模型良好的时间序列线性拟合能力和FNN强大的非线性映射能力,通过最优加权方法确定模型权重,建立ARIMA和FNN的组合模型,并对我国道路交通事故进行预测。结果表明：这一模型可以提高事故预测精度,是1种有效的事故预测模型。     

海南高速公路沥青路面路表温度分布规律与预估模型

为准确掌握海南地区高速公路沥青路面路表温度变化特点及规律,提出一种基于路面状态的路表温度分布规律的分析与建模方法。以海南新型交通气象站1年多的路面状态和交通气象要素的跟踪观测数据为基础,根据数据特点,制定交通气象监测数据分析流程,分析路表温度与不同季节、不同路面状态、不同时段的影响关系;在此基础上,采用统计分析方法,建立了观测点所在路段路表温度与大气温度的预估模型,并在不同路面状态下检验模型效果。分析结果表明:路表温度与大气温度具有很好的相关性,且在不同季节、不同时段下的分布特性不同,拟合的预估模型具有较好的准确性和工程适用性。     

实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命（RUL）预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法，本质上是一个递推的过程，每一次预测的误差会随预测次数增加而累积，难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论，建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法，使用编码器-解码器（ED）框架改进长短时记忆神经网络模型（LSTM）构建从序列到序列预测的EDLSTM模型，并融合ARIMA模型预测误差趋势，进而修正最终预测结果。理论分析和实车采集数据验证表明，该方法在预测比例超过历史数据总量35%的情况下，仍然能较好地拟合实车SOH衰退曲线，有效提高锂电池剩余使用寿命的预测精度。     

变权重组合S型曲线在路面平整度预测中的应用

通过对路面平整度指数IRI随时间发展规律及其特点的分析与研究，得出平整度的发展基本经历了先慢后快再慢的过程，基于3种“S”型增长曲线模型，提出一种预测路面平整度发展规律的变权重组合预测方法，并建立了变权重组合“S”型增长模型，从而可根据有限的实测平整度观测数据预测路面平整度的发展过程。工程实例分析结果表明，使用该模型，其预测曲线与实测数据曲线基本吻合，可用于路面平整度的预测，为解决我国平整度模型预测精度不高提供一种有效而实用的方法。     

基于ARMAX模型的高速公路行程时间预测研究

为实现面向驾驶者需求的高速公路站间行程时间预测,本文融合收费数据和气象数据,开展了基于ARMAX模型的多维度行程时间预测。首先,搭建了车型维、气象维、车流维多维度收费数据仓库;其次,利用经过处理的收费数据建立分车型行程时间序列;然后,训练并建立ARMA模型预测行程时间,对气象、车流量因素与行程时间的相关性分析,引入气象、车流量因素的作为回归变量,采用ARMAX模型进一步改进预测效果;最后,利用沈海高速公路部分路段收费数据和气象监测数据进行了实例验证。结果表明,ARMAX模型与ARMA模型相比预测精度提升,预测平均相对误差由[4.07%,7.67%]降至[3.88%,7.58%]。