基于小波与混沌集成的短时交通流预测

针对现有短时交通流预测模型的不足,提出了一种用于交通流短时预测的小波与混沌集成方法。首先对交通流序列进行小波分解,分别得到低频部分和高频部分,并在此基础上作进一步分析,结果表明交通流存在混沌特性。然后应用混沌理论分别建立低频部分和高频部分的预测模型,对低频部分和高频部分进行预测。最后应用小波理论对混沌模型预测的结果予以重构,实现对原始交通流序列的预测,与现有方法比较,结果表明该方法具有较高的精度和应用前景。     

基于深度学习的短时交通流预测研究

针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快 速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时 空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模 型搭建.基于TensorFlow 的Keras 完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数 据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所 采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

基于少数据云推理的短时交通流预测模型

针对短时交通流所存在的不确定性即模糊性与随机性特点和准周期规律,提出基于灰色关联分析和少数据云推理的短时交通流预测模型.首先,针对短时交通流的准周期规律,运用灰色关联分析提取不同日期相同时段历史序列中最相似序列;其次,提出少数据逆向云算法,建立交通流序列一维云推理机制;最后综合利用历史云及当前云生成预测云,用于短时交通流实时预测.实例分析表明,预测精度良好,能够有效实现短时交通流的实时预测.该模型解决了少数据条件下正向云参数确定问题,降低了数据处理工作量,开拓了云模型在短时交通流中的应用.     

考虑噪声影响的短时交通流预测模型及验证

为进一步提高交通流预测的精确性，相较于忽略噪声影响的传统预测方法，提出一种基于小波变换的双向长短时记忆神经网络-自回归滑动平均模型的预测模型(WBLA)。WBLA模型首先采用小波变换，将交通流数据分解为特征项及噪声项，在此基础上，对特征项采用双向长短时记忆神经网络(BiLSTM)进行预测，对噪声项采用自回归滑动平均模型(ARMA)进行预测，最后对两项预测结果求和作为最终的预测结果。将未考虑噪声影响的其它基准方法作为对比模型，在美国加州高速公路交通流数据集上进行测试及验证，实验结果表明：WBLA模型同未考虑噪声影响的次好模型相比，MAE、RMSE和MAPE分别下降17.86%、15.98%、16.39%,表明WBLA模型符合实际交通流速度变化趋势，模型合理性得到验证。     

智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求，提出一种基于混合深度学习 (Hybrid Deep Learning, HDL)的车道级交通流速度预测模型. 模型以智能网联系统强大的数据采集和计算能力为基础，采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量，并将所得分量重构为模型输入；利用双向长短期记忆神经网络和注意力机制，构建深度学习模型框架；为检验模型预测精度和可靠性，选择北京市二环路多个连续车道断面速度数据进行算法验证. 结果表明，HDL模型在不同车道均有理想的预测结果，单步和多步预测精度均显著优于对比模型.     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

小流量下短时交通量预测最佳窗口长度与时间间隔

探讨了小流量情况下，路段短时交通量预测中的可变时间间隔及预测窗口长度对预测精度的影响，分析了不同间隔序列在反映交通流特性方面的差别和最适合的预测窗口长度，并建立神经网络模型对预测效果进行了定量比较，得到序列用于预测的最佳窗口长度和一组最优时间间隔，有助于预测算法的改进和预测精度的提高。     

基于小波去噪和GA-Elman神经网络的短时交通流预测

为解决短时交通流的非线性和强干扰特征带来的预测精确度较低问题,首先采用启发式阈值算法对小波分解后的原始数据做去噪处理,使去噪后的数据更平稳真实地反映交通流的变化规律,然后利用遗传算法优化Elman神经网络模型对交通流进行分析和预测,模型输出的预测值百分比绝对误差为6.2%。试验结果表明,小波去噪后再用遗传算法优化的Elman神经网络进行预测,预测结果误差较小,可用于短时交通流预测。     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

短时公交客流小波预测方法研究

短期客流表现出不同于中长期客流的特性,本文在研究短期客流序列特性的基础上建立预测方法．采用离散傅里叶变换研究短时公交客流序列的频域特性;基于混沌理论,通过计算Lyapunov指数判断短时客流序列的混沌特性;最终建立短期客流序列的小渡预测方法．研究结果表明短时公交客流序列信号包含高频成份与低频成份,低频成份构成信号主体,高频成份导致信号波动,且短时公交客流序列具有混沌特性,这些特性导致单一方法短时客流预测精度较低;小渡预测方法通过信号分解重构在保留全部客流信息的基础上有效降低了客流信号的波动性,实例分析证明该方法可以有效提高客流预测精度．     

基于混沌时间序列的道路断面短时交通流预测模型

为了提高道路断面短时交通流预测的精确性,本文对道路断面的短时交通流数据进行混沌时间序列分析,并对多维交通流时间序列数据进行了相空间重构,建立基于混沌时间序列分析的道路断面短时交通流预测模型,利用粒子群优化算法优化模型的参数选择．最后应用本文的方法对城市快速路采集的断面交通流数据进行分析,对道路断面短时交通流建立预测模型并验证其有效性．     

城市快速路区间旅行时间短期预测新算法

城市道路交通状况的预测,是实现未来路况查询、车辆动态导航等智能交通系统技术的关键。该文在分析浮动车数据的时间相关性的基础上,研究城市快速路的区间旅行时间短期预测算法。首先,采用统计方法和K-NN分类法相结合的新方法对缺失数据进行填充,并利用小波变换对每天的数据进行消噪处理;其次,在分别利用时间序列模型和人工神经网络模型对城市快速路区间旅行时间进行短期预测的基础上,通过模型组合获得预测值;最后,结合北京市区二环的一段快速路区间旅行时间的历史数据和实时数据,对该文所提出的快速路区间旅行时间短期预测算法进行了评价。结果显示,该算法的预测结果的平均绝对误差百分比控制在10.43%以内,具有良好的精度。     

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.     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

短时交通流预测模型

针对短时交通流变化周期性与随机性的特点,提出了新的混合预测模型,包含非参数回归模型与BP神经网络模型2种单项模型。非参数回归模型利用相关历史交通流数据,通过数据库匹配操作,确定预测结果,以充分体现交通流的周期稳定性。采用3层BP神经网络模型反映交通流的动态与非线性特点。采用模糊控制算法确定各单项模型的权重,并按不同权重有效组合成新的混合模型。采用西安市某路段30d的交通流量数据验证混合模型的预测效果。试验结果表明:该混合模型的平均相对误差为1.26%,最大相对误差为3.53%,其预测精度明显高于单项模型单独预测时的精度,能较准确地反映交通流真实情况。