基于状态空间的连续断面船舶交通流量预测研究

船舶流量预测是船舶交通流研究的重要内容,建立科学合理的船舶流量预测模型有助于航道的设计、规划和管理。将传统的单断面船舶交通流预测方法向多断面进行改进和推广,提出基于状态空间和卡尔曼滤波的多断面交通流预测模型。利用船舶交通流多断面流量数据的时间序列进行多维线性回归,并转化为状态空间模型形式;在此基础上由卡尔曼滤波算法对交通流量进行递推预测,得到多断面交通流的预测值。作为实证研究,分别对武汉长江大桥、武汉长江二桥2个断面,以及长江重庆段朝天门、万州、巫山3个断面进行实际数据分析来验算模型的有效性,并与单断面多维线性回归预测方法进行对比。结果表明,使用状态空间模型得到的武汉长江大桥、二桥预测结果的平均相对误差分别减少4.59%,0.97%;而重庆段3个连续观测点采用状态空间法预测比使用时间序列预测平均绝对误差和平均相对误差均有不同程度的降低,其中平均相对误差分别降低1.08%,4.28%, 3 .54%。因此,在不同时间维度上,该模型有助于提高多断面交通流预测精度。      

基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

基于相空间重构和PSO-GPR的短时交通流预测

准确实时的短时交通流预测是智能交通诱导的关键.为提高短时交通流预测精度,研究了基于相空间重构和粒子群优化高斯过程回归的短时交通流预测模型.针对交通流时间序列的非线性、复杂性和随机性,基于混沌理论确定原始时间序列的最佳延迟时间和嵌入维数,进行相空间重构,获得与原始数据具有相同动态特性的更为合理的模型输入-输出数据集.利用粒子群算法改进传统高斯过程模型参数优化的不足,构建预测模型.以重构序列作为预测模型的训练集和测试集,实现短时交通流预测.采用北京市东四环快速路检测器实测数据对比分析模型预测效果.结果表明,基于PSR和PSO-GPR的短时交通流预测模型评价指标均优于对比模型,其中绝对误差平均降低4.88,绝对百分比误差平均降低3.97%,均等系数达到0.963,所研究模型能够有效提高短时交通流预测精度.      

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

基于SVM-KNN的降雨条件下短时公交客流预测

为了提高降雨条件下短时公交客流的预测精度,提出一种基于SVM-KNN的短时公交客流预测模型.分析了降雨天气与公交客流的相关关系,揭示不同降雨等级对公交客流量的影响.进一步发挥支持向量机(SVM)的快速归类和K近邻算法(KNN)的高预测精度的优点,提出了基于SVM-KNN的短时公交客流预测模型.具体方法为:用SVM训练少量数据生成子数据库,随后采用KNN识别相似模式预测短时公交客流.通过采集深圳市南山区4条公交线路降雨条件下的客流数据进行算例仿真,验证了模型和算法的有效性.结果表明,SVM-KNN算法的综合平均绝对误差(MAE)为8.437,综合均方误差(MSE)为10.725,综合平均相对误差(MAPE)为8.8%,综合均方相对误差(MSPE)为11.3%,比常用的RBF模型的MAE,MSE,MAPE及MSPE各类误差分别降低了3.646,3.631,4.6%,5.5%.      

异常情况下电动汽车锂电池SOC估计

为提高锂电池在状态突变、模型不准确、SOC初始误差大等异常情况下的SOC估计精度和收敛速度,提出了基于强跟踪卡尔曼滤波算法的SOC估计方法。建立了锂电池的双RC等效电路模型,使用HPPC方法辨识了模型参数;分析了扩展卡尔曼滤波原理和缺陷,在误差协方差矩阵中引入时变渐消因子,用于改进修正系数矩阵,强行使残差序列保持正交特性,基于此原理提出了强跟踪卡尔曼滤波算法。经仿真验证,在模型不准确和状态突变情况下,强跟踪卡尔曼滤波的最大估计误差为2%,而扩展卡尔曼滤波最大误差为4.5%;在SOC初始误差较大情况下,强跟踪卡尔曼滤波在15 s内收敛至真值,而扩展卡尔曼滤波在40 s时收敛至真值。     

基于改进新维灰色预测模型的沥青路面结构承载能力评价指标预测方法研究

分析了新维灰色模型预测路面承载能力评价指标的可行性,选取陕西省某条高速公路路段2012年至2016年弯沉检测数据建立传统新维灰色预测模型,引入残差对传统新维灰色预测模型进行改进,运用马尔可夫状态转移矩阵来判断残差预测值在时的符号,建立改进残差新维灰色马尔可夫预测模型,提高了预测精度。并对该路段2017年沥青路面承载能力评价指标进行了预测,并根据预测结果提出养护建议。     

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

基于向量自回归模型的城市快速路交通状态短时预测研究

本研究考虑时空关联性对城市快速路交通状态进行了短时预测研究。首先,基于快速路上下游检测器数据分析交通流量和速度的时变特性,采用有序样本最优分割算法将一天划分为具有相对稳定交通状态的不同时段。然后,构建一种考虑上下游路段影响的空间向量自回归(Vector Auto Regression Model,VAR)模型,预测不同时段目标地点的交通流量和速度。研究结果显示,下游的交通状态对上游的影响不可忽视,尤其是在高峰时段。对于平峰时段,目标地点的交通状态很大程度上取决于上游路段,而受下游路段的影响较小。在此情况下,仅利用上游路段的交通状态来建模,便能达到足够的预测精度。另外,通过模型对比发现,相较于ARIMA预测模型和历史均值预测模型,本研究提出的VAR模型能够综合考虑交通状态的时空动态特征准确预测城市快速路交通状态。     

基于K近邻算法和支持向量回归组合的短时交通流预测

为了提高短时交通流的预测精度,向交通管理部门和出行者提供更加准确可靠的交通信息,基于非参数回归与支持向量回归方法的特点,提出了一种混合预测模型(KNN-SVR)。该模型利用K近邻方法的搜索机制,重建与当前交通状态近似的历史交通流时间序列,然后利用支持向量回归原理实现短时交通流预测。针对实际的交通流数据,考虑预测路段上下游交通流的影响,对提出的KNN-SVR模型的预测精度进行了分析。研究结果表明:同时考虑预测路段和其邻近路段交通流影响的KNN-SVR模型具有更好的预测精度,其预测误差最小,平均为8.29%,而仅仅考虑预测路段交通流影响的KNN-SVR模型,其预测误差略高,平均为9.16%;KNN-SVR模型的预测精度优于传统单一的预测方法,如K-近邻非参数回归、支持向量回归以及神经网络方法。     

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。     

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理，且需要满足实时性需求。然而，少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory，LSTM）自编码器的高速公路交通流量递归预测框架，可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据，应用卡尔曼滤波方法进行数据平滑，以提高原始数据的可预测性能；引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模，以提高模型的运算效率；考虑到高速公路交通流量预测的实时性需要，进一步提出递归预测框架，用LSTM自编码器的预测值代替卡尔曼滤波值；根据获取的实时数据，执行自适应卡尔曼滤波算法以修正当前的最佳状态值，并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析，结果表明:所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势，模型预测的平均绝对百分比误差为5.0%，优于卡尔曼滤波和LSTM自编码器组合模型的7.4%；模型训练时间为85 s，低于标准LSTM模型的101 s。      

基于双目视觉计算的车辆跟驰状态实时感知系统

双目视觉技术能够实现目标的识别与距离计算，在自动驾驶领域有很大的应用空间。然而，现阶段双目视觉存在光照干扰、遮挡、弱纹理区域歧义匹配等问题，影响其测量的准确性和可靠性。提出基于双目视觉的跟驰状态实时感知系统，该系统采用基于车辆跟驰模型的扩展卡尔曼滤波方法对车辆跟驰状态进行实时估计，包括跟驰距离、前后车速度差等。通过实际道路试验，证明了该系统能够识别并修正测量数据中的异常值，解决弱纹理区域误匹配问题。试验结果表明：25 mm焦距与12 mm焦距的双目系统跟驰间距测量值的平均误差分别为2.66%与9.14%；在相对速度测量方面，2种焦距系统的测量精度基本相同，平均误差均为1 m·s^-1左右。所提出的方法在自动驾驶车辆环境感知领域有较好的应用前景。     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

卡尔曼滤波短时交通流预测普通国省道适应性研究

短时交通流预测是提高普通国省道交通运行效率和安全的关键技术之一。普通国省道具有分布地域广、情况复杂的特点,要求短时交通流预测方法具有良好的适应性,然而,针对短时交通流预测算法适应性及其机制的系统性研究尚不多见。选取1种自适应卡尔曼滤波算法,系统分析其适应性和适应机制。获取江苏省徐州市普通国省道路网中8个交通调查站所采集的实际交通流数据开展实例分析,结果表明:在不同的交通流量水平下,所选算法均值预测的平均绝对百分比误差在10.98%~15.92%之间,区间预测的无效覆盖率在5.21%~6.15%之间,表明所选的自适应卡尔曼滤波算法在不同交通流水平下都具有良好的预测性能;对所选算法的参数进行分析发现,算法参数能够随交通流水平的变化而自动调整,具有良好的自适应机制;所选算法能够在预测初期实现有效的性能调整和收敛。      

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。      

面向常发拥堵点的主动交通诱导方法

基于动态用户均衡、系统最优分配的诱导方法,侧重路网需求的宏观预测和调节,难以准确辨识道路拥堵点的关联车流,制约了诱导效果。为精准调控致堵车流,有效缓解常发性拥堵,研究基于需求溯源的主动交通诱导方法。遵循靶向诱导的思路,分析车辆行驶轨迹和常发拥堵点的交通流关联性,运用卡尔曼滤波对关联车流进行短时预测,在此基础上,结合流量占比、路径饱和度等指标,对诱导目标车流进行优选。同时,从负荷均衡的角度出发,基于路段与路径交通流的时空关联更新路网交通状态,建立以饱和度均衡为目标的主动诱导优化模型。仿真结果表明:相比反应型诱导与基于路径偏好的主动型诱导,所提方法使常发拥堵点的车均延误、停车次数等下降30%~60%,路网车均延误、停车次数等下降10%~15%,模型收敛速度提高,交通效益提升,验证了该方法的有效性。      

交叉口瞬时交通流量预测的自适应卡尔曼滤波模型

提出了一个交叉口瞬时交通量预测的带时间窗自适应卡尔曼滤波模型（Adaptive Kalman Filter Model,AKFM）;详细阐述了模型的理论基础、建立过程、推导步骤及状态转移矩阵;并通过C＋＋实现了AKFM和传统卡尔曼滤波模型（Traditional Kalman Filter Model,TKFM）;最后,通过实际交叉口的检测数据对该模型与传统卡尔曼滤波模型进行了比较分析及评价.实验结果表明,AKFM模型是稳定有效的,预测精度优于TKFM.