共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
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. 相似文献
3.
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. 相似文献
4.
5.
6.
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。 相似文献
7.
基于季节ARIMA模型的公路交通量预测 总被引:1,自引:0,他引:1
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。 相似文献
8.
基于状态空间模型的道路交通状态多点时间序列预测 总被引:6,自引:0,他引:6
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。 相似文献
9.
10.
11.
12.
13.
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。 相似文献
14.
15.
基于数据挖掘的固定型交通检测器配置优化 总被引:2,自引:0,他引:2
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. 相似文献
16.
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。 相似文献
17.
18.
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。 相似文献
19.
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。 相似文献
20.
《公路交通科技》2020,(4)
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%]。 相似文献