基于MPSO-RBF的公路货运量预测方法研究

在分析公路货运量的影响因素和预测特点的基础上,将PSO算法的全局搜索能力和RBF神经网络局部优化相结合,建立了基于改进PSO算法和RBF神经网络的公路货运量预测模型(MPSO-RBF).利用某城市的历史数据对预测模型进行了训练、测试与仿真,同时将仿真结果与回归分析法、灰色理论法、BP神经网络和RBF神经网络预测的结果进行了比较,结果表明文中提出的预测方法精度较高,对于公路货运量预测具有一定的可行性和有效性.     

短时段交通流预测的RBF神经网络模型

介绍了基于RBF神经网络的短时段交通量预测模型,并利用该模型对高速公路所采集的数据进行仿真预测分析。预测结果表明RBF神经网络预测方法通过定义合理的网络结构参数可以获得较高的预测精度,能够满足路网调度对短时段交通流预测的需求。     

利用数据挖掘技术建立城市区域交通流状态分析预测模型

ITS中的一个重要研究领域就是交通流的诱导，而为了要正确地诱导交通流，就需要对交通流的状况进行实时分析和预测。本运用计算机科学领域中的数据挖掘技术，提出了一个城市区域交通流分析预测模型。通过模型中的预测级神经网络、决策树约束集、关联规则约束集和修正级神经网络，全面地考虑了区域内交通流本身与其它动态、静态指标对未来交通流状况的影响，因而具有较高的正确率。     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

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。     

基于道路环境因素的公路隧道交通事故预测

为提高公路隧道交通事故预测准确率，以西汉高速秦岭某隧道群的496起交通事故作为研究对象，对影响公路隧道交通事故预测的道路环境因素进行相关性分析，针对不同预测类别选定具有显著影响的主要变量，通过贝叶斯模型、随机森林模型、BP神经网络模型和支持向量机模型分别对公路隧道交通事故形态、严重程度、伤亡情况和持续时间进行预测，根据准确率和稳定性确定出最优预测模型。研究结果表明： 1）随机森林模型在预测公路隧道交通事故形态时最为可靠，准确率约为84%； 2）在对公路隧道交通事故严重程度和伤亡情况进行预测时可优先考虑贝叶斯模型，其对重大或特大事故的预测准确率高达50%； 3）选择随机森林模型作为公路隧道交通事故持续时间的预测模型，绝对误差为20 min时模型准确率将超过70%。     

基于BP神经网络的短时交通流预测

对比分析短时交通流预测模型,对BP神经网络预测算法的原理进行分析说明,用BP神经网络建立短时交通流预测模型,利用华南快速路的实测交通流数据来验证模型的可行性。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

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.      

隧道施工安全评价模糊神经网络技术应用研究

针对高速公路隧道施工系统的安全评价问题,将模糊理论与神经网络相融合,研究建立了一种模糊神经网络评价模型。阐明了评价系统的工作原理及实现方法。利用历史样本数据对网络模型进行学习训练和测试,工程实例结果显示,评价精度满足工程应用要求。该评价模型具有对环境变化的自学习能力,对权值进行调整,动态地评价公路隧道施工系统的安全状态,是公路隧道施工安全评价方法中的一种新的评价方法。     

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.     

基于模糊神经网络的新奥法隧道施工风险评价

为解决新奥法公路隧道施工风险控制评价的问题,以新奥法施工过程为依据,构建了新奥法公路隧道施工风险评价指标体系;通过模糊评价法与神经网络相结合的方法,将模糊综合评价向量作为神经网络训练数据,构建了基于模糊神经网络的公路隧道施工风险评价模型,并运用该模型在具体施工案例上进行风险评价。结果表明,该模型对于新奥法公路隧道施工风险评价具有较高的准确性。     

基于SA-RF的公路隧道交通流数据修复模型研究

为保障公路隧道交通流数据完整性,同时为公路隧道运营决策提供稳定数据支撑,采用SA-RF模型预测修补公路隧道交通流数据缺失数据,根据交通流数据缺失模式,分别建立单变量和多变量修复模式,并将两者相结合构建了SA-RF综合修复模型,以预测修补公路隧道交通流数据,同时对比分析了不同修复模型在3%、5%、10%和15%缺失率下的修复效果。实例证明,SA-RF综合修复模型在不同缺失率下均可高精度修复交通流缺失数据,且修复精度均高于同等缺失率的RF、LSTM、均值插补修复方法。     

多元评价体系组合模型在铁路隧道变形预测中的应用

为克服传统预测模型结构单一、预测精度及稳定性不足等缺陷,提出多元体系组合预测模型的建模思路。首先,基于支持向量机、BP神经网络及ARMA模型3种单一预测模型,构建铁路隧道变形预测体系;再以均方根误差、误差平方和及平均绝对误差等为评价准则或指标,构建各预测结果的误差评价体系,求解各单项预测模型的权值贡献指数,得到最优组合权值;然后利用后验差检验、残差检验和关联度检验构建预测精度校验体系,对组合预测结果进行检验,评价预测模型的有效性;最后,结合工程实例,对多元体系组合预测模型在特大断面隧道中的变形预测效果进行检验。结果表明:多元评价体系组合模型预测相对误差值均小于2%,具有较高的预测精度,且较单一预测模型具有更高的预测精度,也一致通过相关检验,验证了多元体系组合预测模型的有效性。     

高速公路短时交通流预测方法对比分析

高速公路短时交通流预测对于高速公路智能管控具有重要意义。通过总结不同文献中关于高速公路短时交通流预测的研究内容，发现了目前高速公路短时交通流预测研究存在的不足，给出了高速公路短时交通流预测的流程，对高速公路短时交通流预测模型进行了分类比较，明确了不同模型的适用场景和优缺点，通过具体案例数据分析比较了KNN模型、SVM模型、LSTM模型的预测精度，研究发现KNN模型的预测精度最高，明确了数据质量和算法精度是交通流预测的关键。本研究可以为高速公路短时交通流预测发展提供借鉴。     

基于Bayes-LSTM的公路隧道围岩变形预测方法研究

在公路隧道施工过程中,围岩的稳定性对隧道施工的影响较大。因此公路隧道围岩变形的监控量测与准确预测是保障隧道施工安全的关键。针对当前隧道围岩变形的预测精度较低以及泛化能力较差等问题,该文提出一种基于贝叶斯（Bayes）优化长短期记忆网络（LSTM）的方法,该方法首先对拱顶沉降和周边收敛的原始监测数据进行预处理,而后构建公路隧道拱顶沉降与周边收敛的初始LSTM模型,并利用Bayes优化模型中的超参数,最终得出预测结果。利用该模型对某公路隧道拱顶沉降和周边收敛进行预测,将预测结果以均方根误差为评价指标与神经网络（CNN）和支持向量回归（SVR）进行对比。预测拱顶沉降时,Bayes-LSTM模型的平均预测精度相较于CNN与SVR模型分别提高了1.0与1.26;预测周边收敛时,Bayes-LSTM模型平均精度相较于CNN与SVR分别提高了0.3与0.32。表明Bayes-LSTM模型的预测精度较高,同时其能在训练模型过程中对历史信息进行判断和取舍,极大地提高了时序数据处理的效率,为公路隧道围岩变形预测提供了新的思路和探索。     

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。     

基于BP神经网络的双车道公路运行车速预测模型

在现有双车道公路运行车速预测模型的基础上,利用Matlab工具箱中的BP人工神经网络,根据实验路段的运行车速实测数据,通过反复训练,建立了双车道公路运行车速与平面线形要素之间的神经网络关系,得出一种基于神经网络的新的双车道公路运行车速预测模型,以用于新建双车道公路的线形设计中,在设计阶段考虑交通安全因素,从而提高线形设计的质量。同时,该模型可用于已有双车道公路的运行车速预测,根据预测车速值,对线形设计质量进行评价,并采取相应的改善及预防措施,提高双车道公路线形的安全性。在应用中发现,建立的运行车速预测模型的预测精度较高,具有一定的实际应用价值。     

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.      

双车道高速公路追尾事故实时预测模型

现有的高速公路实时事故预测模型对高速公路信息化采集设备的布设密度和采集的数据粒度要求很高,在低信息化的高速公路管理工作上难以得到应用.结合国内高速公路信息化现状,使用单个检测器所采集的数据,对高速公路追尾事故实时风险进行研究.基于江苏省扬州市启扬高速公路上布设的超声波交通流检测器所采集的交通流数据,采用配对案例对照方法和二元逻辑回归,建立了双车道高速公路追尾事故实时预测模型.对事故前5~20 min的交通流数据分别构建流量时空矩阵、速度时空矩阵、平均车头间距时空矩阵,通过引入矩阵特征值简化建模过程并避免了指标间的相关性过高问题.模型总体精度85.7%,事故预测精度33.3%,误报率低于2%,相比已有模型总体预测精度较高,误报率较低,表明了该方法应用于追尾事故实时预测领域的可行性和有效性.