短时交通量时间序列智能复合预测方法概述

短时交通量预测是智能运输系统的核心研究内容之一,已成为交通工程领域重点研究课题。对国内外短时交通量时间序列的预测方法尤其是智能复合预测方法进行概述和总结,重点介绍灰色预测模型、模糊预测、遗传算法、神经网络、灰色神经网络、神经网络集成、统计学习理论、混沌预测、小波分解与重构的方法、以及由上述模型互相组合构成的各种智能组合预测模型等,并指出智能复合预测方法是解决短时交通量时间序列预测问题的有效途径和发展趋势。     

基于改进GA-BP的模糊神经网络在高速公路交通量预测中的研究

科学准确预测运营期高速公路通行量能够对运营决策提供关键性支撑,同时,对高速公路路网建设规划、国民经济评价及投资效益分析也至关重要。人工神经网络算法能够映射高速公路交通量产生与变化的非线性和复杂性规律。为了提高传统BP网络高速公路交通量预测精度,提出了改进算法,通过遗传算法优化网络初始权重,引入峰值理论和模糊算法提高网络模型对较大流量的预测准确度;将优化算法应用于网络模型,建立了基于改进GA-BP的模糊神经网络高速公路交通量预测模型;模型应用于太原市绕城高速公路长风东收费站交通量预测,将预测值与实际统计值进行对比;应用结果验证了改进神经网络模型的有效性和准确性。     

基于偏最小二乘神经网络的公路通道交通量预测组合模型

针对公路通道交通量预测的复杂性,提出偏最小二乘神经网络组合模型。传统的预测方法需要考虑城市经济、人口、工业发展等因素,这些因素之间存在密切的相关性,往往使得预测精度降低。本文将针对这些不足进行改进,将偏最小二乘方法和改进神经网络方法相结合,提取对因变量解释最强的成分进行预测。将该预测模型应用于揭阳市公路网规划通道交通量预测中,取得了良好的效果。     

基于径向基函数神经网络的交通量预测

采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点.在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量.     

快速二阶BP神经网络在公路交通量预测中的应用

在二阶BP神经网络基础上加以改进,提出一种快速二阶BP神经网络,并将把该方法成功地用于公路交通量的预测中,通过与其它方法的比较分析,得出快速二阶BP神经网络预测方法加快了收敛速度,提高了结果的准确度,为科学地预测公路交通量提供了有力依据.     

基于径向基函数神经网络的交通量预测

采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点。在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量。     

快速二阶BP神经网络在公路交通量预测中的应用

在二阶BP神经网络基础上加以改进，提出一种快速二阶BP神经网络，并将把该方法成功地用于公路交通量的预测中，通过与其它方法的比较分析，得出快速二阶BP神经网络预测方法加快了收敛速度，提高了结果的准确度，为科学地预测公路交通量提供了有力依据。     

基于浑沌神经网络的动态交通量预测方法研究

介绍了目前国内外道路交通量预测的方法、特点及实际的预测效果.由于城市道路交通的复杂性,使得一些现有交通量预测方法的预测精度不高.针对这些问题,应用混沌神经网络,建立了城市道路交叉口出口交通量的浑沌神经网络预测模型,并与传统的BP神经网络预测结果对比,表明此模型具有较好的预测效果.     

公路隧道交通量的预测及分析

公路隧道交通量的预测对隧道通风系统的节能以及降低隧道运营成本有很重要的意义。分别利用多元统计分析法和BP神经网络两种方法对公路隧道交通量进行了预测,并对两类预测数据进行分析比较,得出了多元统计分析法适用于车流量少而且稳定的公路隧道的预测,而BP神经网络法则适用于车流量大而且不稳定的公路隧道的预测的结论。     

基于QPSO—RBF的交通量预测方法研究

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础,为了更好的对其进行预测,在分析径向基函数(RBF)神经网络预测模型的特点和标准粒子群优化(PSO)算法缺陷的基础上,将量子粒子群优化(QPSO)算法的全局搜索能力与RBF神经网络的局部优化相结合,克服了标准PSO算法收敛不稳定性和RBF神经网络易陷入局部极小值的缺点,并建立了QPSO-RBF的交通量预测模型.仿真实例结果表明,提出的预测模型预测精度较高,具有较强的学习能力和预测能力,对于交通量预测具有一定的可行性和有效性.     

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。     

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.      

BP神经网络在通道交通流预测中的应用探索

利用通道交通流参数在通道相邻路段的传动机理,分析上下游交通流特征参数的耦合关系,提出通道交通流预测技术,并基于传统数理方法建立交通流预测模型的局限性,提出神经网络模型。利用遗传算法不断优化网络权值,并通过改变网络隐含层节点数以及网络各层之间的转移函数提高网络模型的预测精度,实现通道下游交通流的实时预测。     

交通冲突量的BP神经网络预测方法

交通冲突预测是进行交通事故预防和制定安全改善措施的有效手段，节约观测时间和人力。针对BP网络的缺点，提出了改进的快速BP算法，建立了交通冲突量的BP神经网络预测方法，并应用该方法对具体的交叉口交通冲突量的预测实例进行了研究，实践验证了该方法的有效性。     

基于S型函数预处理的RBF神经网络交通流量预测

根据交通流复杂性的特点,提出了一种基于S型函数标准化数据预处理的交通流量RBF网络预测方法,缩短了RBF网络训练时间;同时采用OLS算法有效降低RBF网络训练的随机性。实验仿真结果表明,该算法可用于实时交通流量及参数预测,并具有可靠的精度和较好的收敛速度。     

适于动态导航系统的城市道路交通状态判别

城市道路交通状态判别是动态导航系统中的关键技术之一,文章从城市道路交通流系统的高度复杂性特点出发,提出了一种基于神经网络的城市道路交通状态判别方法．首先,利用灰关联熵分析方法选取交通状态的关键性特征指标;然后,建立交通状态判别的神经网络模型并利用实测数据对其进行离线训练;最后,应用训练后的神经网络进行城市道路交通状态在线判别．实验表明,用于城市快速路的交通流状态判别方法效果良好。     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

基于过程神经元网络与遗传算法的交通流预测

高速公路变通量预测对于高速公路建设和管理具有重要的指导作用。针对传统预测方法准确性低、预测时间长等问题,建立了遗传过程神经元网络优化模型,该模型既利用遗传算法全局搜索、快速收敛的优点,又利用过程神经元网络非线性描述、自学习自适应的优点,并以实际道路为例进行计算机仿真,实证分析的结果表明,该方法能够有效提高交通量的预测精度。