基于小波和Kalman滤波的交叉口流量组合预测

为更准确地预测动态变化的道路交叉口流量，根据城市道路流量分布的特点，提出了在小波分析和离散Kalman滤波的基础上进行组合预测的方法．这种方法将路口的流量数据构造成几个相关序列，对每个序列分别进行小波变换和Kalman预测，然后将各序列的预测值组合成最终结果．这种预测方法可用于其他动态流量预测，如路段流量预测、路口流量分配预测等．实验表明，该方法可以有效地减少预测误差，并具有较好的鲁棒性。     

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.     

��·������Ԥ��ĸĽ�BP�����緽��

铁路货运量与其影响因素之间存在着复杂的非线性关系，传统的BP神经网络模型能对非线性系统进行很好的拟合，但模型的预测能力不强。通过单位根检验，可知铁路货运量及其影响因素的时序列数据是非平稳的。本文通过分析BP神经网络的传递函数对非平稳时间序列预测的不利影响，提出用差分法对输入数据进行预处理，在此基础上建立了铁路货运量预测的改进BP神经网络模型，并通过实例计算说明了这种改进BP神经网络方法对提高铁路货运量预测精度的有效性，最后利用该模型对2006—2O1O年的铁路货运量进行了预测。     

基于粒计算的交通流参数预测

交通流参数预测是交通流诱导和交通信息发布的重要依据.以信息颗粒为基 础数据分析单元,针对以往模糊时间序列模型存在的缺陷,提出一种新方法构建模糊时 间序列模型,该方法在挖掘数据内在信息关联的基础上,考虑时间变量影响下分析动态 可变的区域间隔长度.此方法主要特点是基于Gath-Geva 模糊聚类的时间序列分割,利用 模糊分割构造信息颗粒,以信息颗粒为数据单元,通过粒计算分析交通流参数动态变化 趋势.实验结果表明,基于粒计算的交通流参数预测可以预测合理的交通流参数置信区 间,比传统的参数数值预测可靠度更高,对于交通状态的动态分析具有指导意义.     

基于小波和Kalman滤波的交叉口流量组合预测

为更准确地预测动态变化的道路交叉口流量,根据城市道路流量分布的特点,提出了在小波分析和离散 Kalman滤波的基础上进行组合预测的方法.这种方法将路口的流量数据构造成几个相关序列,对每个序列分别 进行小波变换和Kalman预测,然后将各序列的预测值组合成最终结果.这种预测方法可用于其他动态流量预 测,如路段流量预测、路口流量分配预测等.实验表明,该方法可以有效地减少预测误差,并具有较好的鲁棒性.      

基于ARMA模型的经济非平稳时间序列的预测分析

时间序列分析方法是经济领域研究的主要工具之一．它用合适的模型描述历史数据随时间变化的规律，并预测经济变量值．而ARMA模型是适用于任何序列的发展形态的一种高级预测方法，它描述时间序列的动态性和发展变化规律．文中通过ARMA模型分析时间序列的随机性和平稳性，以一种商品月度销售额具体分析，用sas软件检验模型的可行性，并预测应用．结果表明．模拟值和真实值接近，在实际应用中预测值的准确对于指导商家的战略决策起重要作用．     

用灰色马尔可夫模型预测水上交通事故量

灰色GM(1,1)是一种水上交通事故量预测模型．这种模型不适合长期的、随机和波动性较大的数据序列预测．马尔可夫模型适合描述随机波动性较大的预测问题．本文将两模型结合,形成一个灰色马尔可夫预测模型．按特定的状态划分方法,先用灰色GM(1,1)预测模型进行预测,再用马尔可夫模型预测结果进行优化,使预测精度大大提高．文中给出两个例子,算例证明了谊模型的诸多优点．     

���ڶ����ѧϰ�������ԵĶ�ʱ��ͨ��Ԥ��

交通流量预测是当前交通大数据应用的重要议题之一.经典的交通流量预测方法通常只根据被预测道路自身的数据进行分析和决策,而往往较少考虑由于同一区域不同道路之间的交通流量关联性.本研究根据城市核心区交通流量数据的特点,构建同区域内多条相关道路的交通流量多维度数据模型.并且,基于该数据模型提出了一种基于多机器学习竞争策略的交通流量预报算法.该算法的主要核心思想是利用时间序列聚类的方式将多维交通流量数据进行降维,然后通过引入多种多机器学习方法进行并发训练,其训练结果通过竞争获得最优分类器群.最后设计了多最优机器学习集成预测方法进行交通流量预测.本模型通过在南昌市中心道路进行的实验显示,其预测结果优于传统单时间序列机器学习方法.     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷，提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构，完成长短时记忆模型的逐层构建，实现本地保存并根据预测精度进行自适应更新，将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明，提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型，具有较强的实用性.     

面向桥梁结构状态预测的ARMA-GM组合时序模型研究

桥梁健康监测数据中蕴含引起桥梁结构状态变化的信息,通过分析其特征变化而实现结构状态预测的方法已得到工程界和学术界的重视。为了克服单一时间序列模型ARMA和灰色关联模型GM(1,1)在桥梁结构状态预测中的不足,提出一种ARMA-GM组合时序预测模型,以描述监测数据序列前后之间的数学关系,并对未来某一时间段内的监测值进行预测。实验结果表明:组合模型在预测步长增大时预测的平稳性好,而且比单一模型的预测精度更高,能够为桥梁结构安全状态评估提供宝贵的预测数据。     

浅谈基于随机模型的隧道施工引起地面沉降的小波分析

目前预测隧道施工引起的地面随时间变化的沉降过程的方法有一定的局限性，这种局限性是由于测量误差的存在而引起的。在这项研究中，研究的方法是用数据建立一个随机模型的时间序列，而测量误差被作为是一个按正态分布的随机序列。另外，按正态性检验和方差分析的方法，被用来验证沉降数据过滤部分的特性与测量数据的误差是否是一致的。这样，当采用离散小波变换时，就可以确定小波基及分解水平的最佳选择。利用一个工程实例去验证了这种假设，并证明了这种方法的可行性。     

混合示教长短时记忆网络的车辆轨迹预测研究

为实现智能网联车对周围车辆运行轨迹准确地长时预测，本文提出一种混合示教解码的长短时记忆网络的车辆轨迹预测方法。首先，通过特征筛选和历史轨迹序列标注建立轨迹预测数据集；其次，构建长短时记忆网络的编码器-解码器模型，编码器将自车和周围车辆历史轨迹及道路环境信息编码为上下文向量，解码器采用混合示教的模式将上下文向量解码动态解码为未来轨迹；最后，采用真实道路数据集NGSIM US101和I-80路段验证模型的可行性。多组对比分析实验结果表明：本文所提方法在长时域预测的终点位移误差指标上的有效性和优越性，5 s的终点位移误差在2.7 m以内；并且模型在稀疏采样后的数据集上达到更高的预测准确率，5 s的位移误差在1.3 m以内。     

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.     

基于时间序列季节分类模型的轨道交通客流短期预测

轨道交通客流的分析中,数据季节性特征对客流预测的有效性存在显著影响.通过分析轨道交通客流曲线,发现轨道交通客流呈现出季节性特征;针对这种特征,提出基于季节分类模型的轨道交通客流预测方法.根据客流季节特征建立季节分类模板和季节时间序列;采用乘法季节自回归差分滑动平均模型建立客流季节分类模型;使用季节分类模型预测对应类型日期的客流.实验表明:季节分类模型既能有效预测轨道交通客流,又能较好地避免预测误差波动性问题.     

基于遗传神经网络的道路交通量预测

通过建立遗传神经网络的模型，综合考虑各种影响因素，对道路交通量作较准确的预测，实验比较发现，预测结果优于常规时间序列模型ARMA的预测结果，是一种智能化程度较高的预测方法，该方法具有很强的学习能力和自适应性，因而具有很好的应用价值。     

基于ARMA的滚动轴承振动数据预测

为实现对滚动轴承的振动数据预测,本文提出一种基于自回归滑动平均(ARMA)模型的预测方法。首先截取滚动轴承全寿命周期的早期无故障数据作为样本,计算截取样本序列的自相关系数和偏相关系数,然后采用最小信息准则(AIC)对ARMA定阶,运用最小二乘法估计参数建立ARMA模型,将轴承同工况与类工况下的数据输入到已建立的ARMA模型中,得到的轴承预测数据与实际故障数据进行对比,计算预测的准确率。结果表明:该方法可以准确预测轴承的实际状态,且同工况相对于类工况下的预测效果更优。     

基于非线性AR模型的时间序列弱非线性检验方法

提出一种基于非线性AR模型相对预测误差的非线性检验量δNAR,采用替代数据法来检验时间序列中的弱非线性.以4种混沌时间序列为例,分析并比较了非线性检验量δNAR与非线性零阶预测误差δZP的弱非线性检验能力.结果表明,对4种混沌时间序列中的3种,非线性检验量δNAR都表现出比非线性零阶预测误差δZP更强的弱非线性检验能力,表明该非线性检验量具有较强的数据适应性,而且对于不同的数据,具有最佳非线性检验效果的参数比较固定.     

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。     

考虑周期性波动因素的中长期空中交通流量预测

为准确把握空域单元交通流量的变化趋势和周期性波动规律,综合考虑气候、季节、交通需求等因素,通过分析中长期历史流量数据,在线性增长模型的基础上,建立了考虑周期性波动因素的空中交通流量动态线性改进模型,采用贝叶斯状态估计和预测方法对模型进行求解,提出了一种根据空域单元流量时序数据预测中长期流量及其变化趋势的预测方法.利用国内典型空域单元实际流量数据,对比分析了上述两种模型的预测性能.实例研究表明:与线性增长模型的预测结果相比,本文模型的流量预测结果更符合我国的实际情况,反映了流量周期性波动特点,年流量预测结果的平均绝对误差从3.14%下降到了1.71%,预测误差的标准差从2.01%下降到了0.02%.      

�����ƽ˳ʱ�����й����ȼ���仯�����о�

轨道几何形状检测数据是一个随时间变化具有随机特征的时间序列,反映轨道几何状态的变化.在本文中,灰色关联度理论用于研究轨道水平不平顺时间序列数据,挖掘时间序列数据之间隐含的关系;经过普遍适应性改进和残差修正改进的灰色GM（1,1）模型预测固定测点轨道不平顺长期状态变化趋势,随机线性AR和卡尔曼滤波模型分析单元区段轨道不平顺短期变化趋势,探索轨道状态变化随机数据序列中隐藏的规律并进行预测.短期和长期预测模型验证结果表明,三种模型是有效的,能够达到预期的精度.