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。     

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。     

考虑序列关联性的公路隧道沉降预测模型

准确预测公路隧道结构沉降数据对工程安全风险控制具有重要意义。针对传统自回归-滑动平均时间序列预测模型(Auto-Regressive and Moving Average)的单一线性问题,该文提出了考虑沉降数据空间关联性的向量-结构时间序列模型(Structural Vector Time Series)。该模型由向量式和结构式两部分组成:①向量式时间序列模型可模拟多维时间序列变量当期项与滞后项的关联关系;②结构式时间序列则建立多维时间序列当期项的关联关系。最后以上海某一公路隧道为工程案例,计算结果表明考虑空间关联性的向量-结构时间序列模型比传统时间序列模型预测精度更高。     

时间序列模型在交通量预测中的适应性分析

为分析区域路网结构发生较大变化时,时间序列模型在交通量预测中的适应性,以G326遵义至湄潭段实地观测交通量为基础数据,以杭瑞高速遵义至思南段建成通车年为分界线,对线性、二项式及指数等3种时间序列模型进行加权分配,并预测该路段交通量,将预测结果与实际数据对比分析得出:在路网结构发生较大变化时,时间序列模型的预测结果存在较大误差,不宜作为决策依据。     

基于Informer的客机长时4D航迹预测方法

客机长时4D航迹预测是基于航迹运行的重要基础,对于改善空中交通系统安全性能和优化空域结构有重要意义。针对现有长时4D航迹预测未充分考虑长序列航迹数据之间存在隐式关联信息等问题,借助Informer模型的自注意力机制,研究构建了基于Informer的长时4D航迹预测模型。为提取航迹数据的全局特征信息,增强数据独立性和时间序列特征学习能力,在数据嵌入层中增加全局时间戳模块,并利用航迹点序列等分层时间戳突破Informer模型固有的嵌入层时间刻度限制;为更好地捕捉非相邻时序序列点之间的隐式相关性,采用自注意力机制提取航迹数据特征,并运用概率稀疏方法降低自注意力机制的计算复杂度至O(Llog L),同时在编码器中增加蒸馏机制以减少计算维度和网络参数量;为避免传统的逐步预测输出方法造成的误差累积现象,提高航迹预测精度,采用全连接层对预测输出数据进行维度调整,完成一步生成式输出。对历史4D航迹数据进行三次样条插值等预处理后,与时序特征数据同时输入到航迹预测模型中,经过模型迭代训练,输出航迹预测结果。实验结果表明：在同时预测航迹的4D特征时,基于Informer模型的预测表现优于LSTnet方法,其...     

城市道路短期交通流预测VHSSA模型

针对出行者出行时对交通信息预报以及动态路径规划的要求,对路段的历史交通流时间序列数据进行了研究,利用城市路段交通流的周期相似性特征提出了基于纵横序列相似性的短期交通流预测VHSSA模型,该模型克服了以往预测模型只考虑纵向时间序列周期性相似的缺陷,将全时间序列数据进行小波变换后分解为反映基本变化规律的基序列和反映波动变化情况的波动序列,既可只进行基序列预测,也可通过置信区间对波动序列进行修正,再与基序列叠加进行全序列预测.经试例验证,VHSSA模型和基于纵向序列相似性的VSSA模型分别与实测序列的基序列和全序列进行比对,VHSSA模型的预测效果总体优于VSSA模型,误差可满足实际要求.     

公路交通规费收入的月度预测时间序列分析

本文旨在对公路交通规费月度收入变化情况进行预测。以四川省公路养路费收入的月度时间序列为研究数据,采用时间序列季节单整自回归移动平均模型进行分析,并对其预测效果进行了评估。结果表明,SARI-MA模型可以较好的拟合研究对象的历史数据,结合时间序列特点,可以对研究对象进行较为科学、准确的预测。     

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.      

基于多参数状态时间序列的交通状态预测方法

利用多个参数描述交通状态时,交通流数据表现为多维空间数据。提出了将属于每个状态的多维空间数据转换为一维时间序列的方法,对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测。实验结果表明,多参数状态时间序列比单个参数时间序列能更准确地描述交通流状态变化过程,且算法简单,具有较强的预测实时性。     

基于ARIMA的路面低温短临预测方法与模型

本文以试验观测站冬季历史路面温度数据为样本数据,按照一定时间间隔,周期性提取数据,并按照日期为标准进行排列,得到路面温度时间序列数据,利用R软件建立了路面温度随时间变化的短临预测的ARIMA模型,研究基于高级统计建模方法的公路路面温度短时临近预测方法,并对路面温度时间序列特性及预测结果进行比较分析,形成基于ARIMA模型的路面温度短临预测方法及模型建立。通过路面温度数据采集、路面温度预测及对比分析,验证了基于ARIMA模型与方法的在未来1~3h内路面温度短临预测方法的准确性、可靠性与适用性。     

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。     

回响状态网络预测方法在桥梁健康监测中的应用

回响状态网络是一种模仿大脑神经元递归连接的新型回归神经网络,可有效处理非线性系统辨识以及混沌时间序列预测问题。针对莲花大桥的挠度数据,通过回响状态网络预测方法对其进行建模分析并进行趋势预测。实测结果表明:基于回响状态网络预测的精度较高,预测误差仅为0.796 1 mm,可为桥梁的安全运营预测提供可靠依据。     

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.     

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。     

基于时间序列法的2014年乘用车月销量预测

对我国乘用车整体及其细分车型月度销量进行合理预测,对于企业合理安排生产,优化市场规划有着重要的意义。文章以2005年1月-2013年10月共计106个月的历史数据为依据,运用时间序列方法和StatTools工具对我国2014年度乘用车及细分车型月度销量进行了预测。预测结果准确度高,具有较高的参考价值。采用时间序列法进行预测,仅以客观数据为依据,结果更加准确合理,为整车企业安排生产提供了参考。     

基于船期表的一种集装箱码头闸口交通需求智能预判方法

通过集装箱码头闸口交通需求源于船期表具有季节性和非线性特点的系统分析,提出基于每条班线船期表来预测其对码头闸口产生交通需求的思想,采用季节性时间序列方法处理集港车辆到达码头闸口随时间的数量分布,建立处理后的时间序列数据与预测交通量之间非线性关系的人工神经网络模型。在天津港集装箱码头闸口进行具体例子应用,证明了该方法优于传统非线性预测方法、概率分布拟合方法和季节性线性时间序列预测方法,显示其可行性。     

基于交通流量预测的高速公路收费道口运营策略研究

以宁沪高速公路南京主线收费站数据为样本,使用现代时间序列模型预测收费道口交通流量,提出了基于交通流量预测的收费道口运营策略制定方法,并给出了应用实例。     

基于灰色理论的高速公路软基沉降监测数据插补研究

研究了多变量灰色模型——MGM(1,n)模型对软基沉降监测数据进行插补,插补结果基本满足要求。并用常用的灰色模型修正方法对MGM(1,n)模型进行修正,修正结果较未修正前均有了不同程度的改进,数据的拟合和短期预测精度较好,但长期预测结果有待提高。同时采用了相邻监测序列的已知数据对缺失值的预测结果进行进一步修正,这样得到的预测精度有了很大提高,能满足沉降缺失值序列数据插补的要求。     

浅论数学建模的先进算法

本文讨论了在数学建模中的两类常用算法,对优化类算法中的先进算法包括遗传算法、神经网络、模拟退火法以及预测类的先进算法包括灰色预测、时间序列预测的算法思想和算法实现过程进行了说明.