��ʱ��ͨ״̬Ԥ���������Ⱥ�㷨�Ż��о�

短时交通流预测是智能交通系统的核心内容和交通信息服务、交通诱导的重要基础。目前,道路交通数据采集设备的性价比越来越合理,道路上交通数据的采集设备不断完善,使得短时交通流状态的分析处理和预测成为可能。考虑到道路网交通状态的混沌特性和相关性,应用多维混沌时间序列可对道路网多断面交通状态进行预测。建立的多维混沌时间序列模型中有多个参数需要确定,并且与以往一维混沌时间序列预测中参数确定原则既有区别又有联系,因此在分析其差异性之后,本文利用粒子群优化算法优化模型中参数,当输入新的数据时,应用该模型就可以预测道路多点的交通状态。通过某城市快速路上7个断面交通流量来验证模型的有效性。     

基于小波与混沌集成的短时交通流预测

针对现有短时交通流预测模型的不足,提出了一种用于交通流短时预测的小波与混沌集成方法。首先对交通流序列进行小波分解,分别得到低频部分和高频部分,并在此基础上作进一步分析,结果表明交通流存在混沌特性。然后应用混沌理论分别建立低频部分和高频部分的预测模型,对低频部分和高频部分进行预测。最后应用小波理论对混沌模型预测的结果予以重构,实现对原始交通流序列的预测,与现有方法比较,结果表明该方法具有较高的精度和应用前景。     

���ڻ���ʱ�����з������Ķ�ʱ��ͨ��Ԥ���о�

交通流预测分析已成为智能交通的核心研究内容之一。依据混沌时间序列分析方法,建立了短时交通流的预测模型。在对实测的交通流数据进行相空间重构的基础上,综合考虑欧氏距离和均等系数,提出了最邻近点的两步优化选择方法,并采用了局部多项式拟合方法对所选取的最邻近点进行逼近以求得预测公式。本文将此方法运用于东莞东江大道流量预测,比较预测流量和实测流量,得出最大相对误差为0.445％,最小相对误差为0.038％,且单步预测时间仅为38.52秒。结果表明,该预测模型具有较高的精度,同时也能够满足实时性的要求。     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

两种短时交通流混沌预测方法分析

短时交通流预测是智能交通系统的核心内容和交通信息服务、交通诱导的重要基础。采用符合交通流特性的混沌理论对短期交通流进行预测。在相空间重构和混沌识别的基础上,建立短期交通流加权一阶局域预测模型和基于最大Lyapunov指数的预测模型,并对一组实际的交通流数据进行预测。仿真结果表明:两种方法都能较准确的预测交通流,但最大Lyapunov指数预测模型的预测精度相对较高。     

基于混沌理论对北京二环路进行短时交通流量预测的研究

随着机动车保有量的增加,交通拥堵变成迫切需要解决的问题. 道路交通流预测可以使交通管理部门提前制订相关政策,面对即将出现的交通问题提前采取管控措施,从而可以在一定程度上缓解交通压力. 道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础. 本文在对交通系统具有耗散系统特性分析的基础上,认为交通状态中存在混沌. 本文运用混沌与分形理论恢复交通流量序列的动力学系统,并用多元局域预测法对时间序列进行预测,并实地采集数据运用模型进行分析校验. 通过分析不同时间间隔的时间序列的评价指标,比较得出此法在2至5分钟内有较高的预测精度.     

���ڻ������۶Ա�������·���ж�ʱ��ͨ����Ԥ����о�

随着机动车保有量的增加,交通拥堵变成迫切需要解决的问题. 道路交通流预测可以使交通管理部门提前制订相关政策,面对即将出现的交通问题提前采取管控措施,从而可以在一定程度上缓解交通压力. 道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础. 本文在对交通系统具有耗散系统特性分析的基础上,认为交通状态中存在混沌. 本文运用混沌与分形理论恢复交通流量序列的动力学系统,并用多元局域预测法对时间序列进行预测,并实地采集数据运用模型进行分析校验. 通过分析不同时间间隔的时间序列的评价指标,比较得出此法在2至5分钟内有较高的预测精度.     

基于近似熵的交通流序列趋势变化检测

交通流趋势变化特征分析是交通流预测的基础．为了提取交通流序列随时间推移所呈现出来的宏观变化规律,提出了一种用于检测交通流序列趋势变化的滑动移除近似熵方法．通过对交通流序列趋势规律进行研究,首先将其细分为上升趋势、平稳波动趋势、下降趋势,然后根据不同趋势变化的时间序列复杂程度不同,建立了滑动移除近似熵方法求解其滑动移除近似熵的值,并根据得到的时间序列提取交通流序列趋势变化．最后以北京市四环路某一断面交通流序列为例,用建立的模型对交通流序列趋势变化进行检测,并与滑动t检验方法结果对比．研究结果表明本文提出的方法能够对交通流序列趋势变化进行检测,且检测结果与实际交通流序列趋势变化比较吻合,研究结论可为短时交通流预测建模提供拳者依据．     

一种结构优化的深度信任网络短时交通流预测

针对短时交通流预测中存在的训练数据过于依赖时间序列训练数据,对空间关联性考虑不足,且模型结构参数选取形式过于固定等问题,提出一种结构优化的深度信任网络短时交通流预测方法,该模型可同时训练3种与预测节点交通量相关的交通数据,增强预测的时空关联性,克服训练数据过于依赖时间序列的缺陷;同时,优化深度信任网络短时交通流预测模型结构,提出一种改进的花朵授粉算法对预测模型的隐层结构参数进行优化,避免因模型结构参数选取形式过于固定所导致的模型预测结果陷入局部最优解及实用性降低的问题。通过采集福州市两个交叉口的相关交通量数据,分别对预测模型的可行性进行评估。同时,将MFPA-DBN模型分别与不同隐层结构的深度信任网络模型及GA-LSTM、CNN-SVR、TGWO-BP 3种模型进行对比。实验结果表明：在相同训练数据的条件下,结构优化的深度信任网络(MFPA-DBN)短时交通流预测方法可行、有效,预测精度优于其他深度学习预测模型,实时性能也能满足实际要求。     

基于混沌理论的短时交通流量预测

随着智能交通的发展,实时动态交通分配成为当前研究热门问题。短时交通流预测是实时动态交通分配的关键技术之一,在当今交通控制以及车辆导航中具有不可替代的地位。通过对交通流数据进行分析,得出交通系统具有耗散系统特性,并且存在混沌。在此基础上,运用混沌理论对交通流数据进行相空间重构,并用多元局域预测法对时间序列进行预测。通过分析预测数据,得出基于混沌理论的短时交通流量预测在2～5 min内具有较高的预测精度。     

交通流短时预测的相关性研究

交通流短时预测中,多个检测点的道路交通状态间的时空联系是客观存在的,但以往研究中通常根据经验假定,很少定量研究其相关性. 本文引进了多元统计分析中的多维标度法对多断面时间序列的相关性进行定量分析,为合理进行多断面短时交通流预测研究提供基础. 首先,根据道路网多个断面各自的时间序列利用相关系数方法得到两两之间相关性的相关系数矩阵,然后,利用多维标度法将道路网中多个断面交通流的相关程度映射到一张二维拟合构图中,以拟合构图中代表各个断面的点之间的欧几里得距离来体现断面之间的相关强度,从而判别断面之间相关性强弱,确定道路网多断面短时交通流预测时相关性分组. 最后,根据相关性分析结果进行多断面交通流预测及效果比较,验证了方法的可行性和有效性.     

��ͨ����ʱԤ���������о�

交通流短时预测中,多个检测点的道路交通状态间的时空联系是客观存在的,但以往研究中通常根据经验假定,很少定量研究其相关性. 本文引进了多元统计分析中的多维标度法对多断面时间序列的相关性进行定量分析,为合理进行多断面短时交通流预测研究提供基础. 首先,根据道路网多个断面各自的时间序列利用相关系数方法得到两两之间相关性的相关系数矩阵,然后,利用多维标度法将道路网中多个断面交通流的相关程度映射到一张二维拟合构图中,以拟合构图中代表各个断面的点之间的欧几里得距离来体现断面之间的相关强度,从而判别断面之间相关性强弱,确定道路网多断面短时交通流预测时相关性分组. 最后,根据相关性分析结果进行多断面交通流预测及效果比较,验证了方法的可行性和有效性.     

K近邻短期交通流预测

从分析短时交通流特性入手,利用非参数回归中K近邻的方法,对道路交通流量进行短期预测;采用贵阳市道路交通流量的实际数据进行验证。结果表明:K近邻非参数回归预测模型能较为准确的进行道路短期交通流预测,该方法可用于短期交通流预测。     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

基于加权一阶局域法的短时交通流量预测的研究

本文在分析了城市短时交通流时间序列和混沌特点基础上,通过对混沌时间序列预测方法的研究,提出了一种基于加权一阶局域法的短时交通流量预测方法。该方法引进了权值,使得它比全域法具有更好的自适应能力和较高的预测精度。对实际短时交通流量进行预测,取得了令人满意结果。     

�����������SARIMA���ģ�͵Ķ��ڽ�ͨ��Ԥ��

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点。构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势。实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型。然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测。     

基于灰色遗传支持向量机的短时交通流预测

为了进一步提高短时交通流预测的精确度,通过分析灰色模型、遗传算法和支持向量机模型的特点,提出一种组合的短时交通流预测模型.模型运用灰色模型对原始交通流数据序列进行累加,弱化其随机性,再通过遗传优化支持向量机模型进行预测,利用灰色模型将预测结果进行累减,得到最终的预测值表.以长春市某主干路交通流数据为基础,验证了该模型的有效性和可行性.