交通量预测的灰色verhulst自记忆模型

导出了灰色。verhulst模型的自记忆计算格式，建立了一个新的对交通量历史观测数据具有记忆功能的灰色自记忆模式；该模式克服了历史观测数据的波动对灰色verhulst模型的影响，可有效反映交通量随时间的发展规律。     

不等维递推灰色模型在交通量预测中应用研究

由于过去交通量统计资料的缺乏、观测数据的离散性等原因,惯常的交通量预测理论与方法得到的预测结果相关系数比较低。本文提出的不等维递推灰色模型在交通量预测中可以有效的处理贫信息、离散信息,得到较好的预测结果,并且在交通量的中、长期预测中要优于常规预测模型。     

基于灰色马尔科夫链模型的交通量预测

交通量是一个不平稳的时间序列,在不确定性条件和缺乏数据资料的情况下,交通量的预测是一个较复杂的问题。灰色马尔科夫链模型是一种结合经典灰色理论和马尔科夫链的状态转移行为的预测模型。该模型在灰色预测理论的基础上,再对随机波动大的残差序列进行马尔科夫预测,实现了两者的优势互补,克服了两者的不足。以太原市漪汾桥断面的交通量的数据在传统灰色GM(1,1)预测模型的基础上建立交通量的灰色马尔科夫链模型,研究表明,该模型在交通量的预测方面相对传统的灰色GM(1,1)模型有更高的精度。     

基于混合AGO-SVM的高速公路短时交通量预测研究

提出一种混合AGO-SVM高速公路交通量预测方法,原始交通量数据通过累加操作生成有规则的数据,预处理后的规则数据使用支持向量机法进行建模并预测,预测数据进行逆累加操作,获得下一时刻高速公路交通量的预测值,数据进行更新并保持样本序列不变从而进行高速公路交通量递推预测. 应用西宝高速交通量实际观测数据验证算法的有效性. 试验结果表明,在几种指标下该方法的预测精度比灰色模型法和支持向量机法的预测结果有所提高,是一种有效的高速公路交通流量预测方法.     

��·������ս�ͨ��Ԥ�⼼���Ż���Ӧ���о�

为更准确掌握公路接入段日交通量变化趋势,提高扰动路段交通量预测精度,利用曲线拟合法,建立观测路段基年交通量时间序列模型,结合ACF、PACF图例,应用ARIMA技术和Logistic回归曲线拟合方法,进行模型的识别、细化,而后进行参数估计和模型诊断,确定最佳交通量预测模型,完成模型优化。实例应用结果表明,利用ARIMA技术和Logistic回归曲线拟合方法优化的模型比不考虑观测交通量自相关内容的模型预测精度高,预测误差均值仅为1.53%。     

基于改进GM（1,1）的长江干线水位预测方法研究

针对长江干线水位预测建模复杂、数据不全的问题,利用长江干线真实历史水位观测数据,基于灰色系统GM（1,1）模型,研究贫数据下长江干线水位预测.根据灰色系统中数据越近越有价值跟拟合曲线为指数曲线的特点,通过重新构造生成序列和重新定义初始边界条件对GM（1,1）模型进行优化并对最终结果进行分析,得出优化后的模型能更准确的预测水位的结论.     

交通量的灰包络预测

利用灰色预测法进行交通量预测有着满足贫数据序列,并可以处理波动明显的数据序列的优点。本文尝试运用灰色包络线预测的方法来预测交通量,可在预测远景交通量的同时,预测出其所在的区间,以保证预测的可信度。实践证明该方法具有较高的精度。     

基于灰色残差GM（1，1）模型的道路交通量预测的研究

道路交通体系是一个多因素、多层次、多目标的复杂系统。其中交通量信息系统具有明显的层次复杂性,结构关系的模糊性,动态变化的随机性,指标数据的不完全和不确定性。由于技术方法、人为因素、自然环境变化的影响,造成各种数据误差、短缺甚至虚假现象,系统的作用机制不明确,系统的状态、结构、边界关系难以精确描述,属于典型的灰色系统。在作量化、模型化、实体化研究时,能作为反映系统主要动态特征的数据是很少的。由于环境对系统的干扰,系统信息中原始数据序列往往呈现离乱情况,离乱数列即为灰色数列或称灰色过程,灰色理论利用那些较少的或不确切的表示系统行为特征的原始数据序列作生成变换后建立微分方程,对灰色过程建立的模型称为灰色模型（Greymodel）,简称GM模型。本文从理论上介绍了GM（1,1）模型和灰色残差GM（1,1）模型建立的一般过程,然后将其应用于交通量预测的实际例子中。预测结果表明,该方法是可行的。     

灰色理论与模型在交通量预测过程中的缺陷分析

交通量预测是公路规划阶段的关键步骤,方法繁多,针对灰色理论与模型在交通量预测过程中的应用,以黑龙江省的几条干线公路的交通量预测为实例,从模型构造上分析了该模型在预测过程中存在的缺陷,有利于该模型的改进和完善。     

城市主干路交通量预测研究

为研究预测城市主干路交通量,首先通过建立灰色模型、指数平滑模型、平均增长率模型较好地预测了影响城市道路交通量的人口、经济、机动车保有量等指标,进一步以回归预测模型为某城市主干路交通量的基本预测模型,通过将多种预测方法有机地结合起来,从而合理地预测了某城市主干路的交通量增长趋势。