短时交通流量预测方法

短时交通流量是短时交通参数的基础参数之一,其变化规律可直观反映调查路段或区域的交通变化趋势,可为交通出行提供有效的路径选择信息。基于对统计分析模型、人工智能模型、非线性理论、交通模拟、组合预测模型等短时交通流量预测方法特点和应用的分析,鉴于短时交通流量自身的随机波动特性,指出单一的交通参数预测方法很难有效提高预测的精度和效果,而基于组合预测模型的预测方法具有广阔的应用前景和实践意义,并指出短时交通流量预测方法研究领域今后可能的发展趋势。     

基于贝叶斯网络多方法组合的短时交通流量预测

贝叶斯网络是处理不确定信息和进行概率推理的有力工具,针对短时交通流量预测的难题,提出一种基于贝叶斯网络的多方法组合预测模型. 首先建立几种基本预测模型并对交通流量进行预测,然后将预测的结果和实际结果按一定步长进行离散处理,把离散后的结果用贝叶斯网络进行学习,更新贝叶斯网络参数,通过联合推理求得各个基本预测模型预测结果组合下可能组合预测值的后验概率,把后验概率最大所对应的值作为预测值. 通过对实际道路交通流量的预测表明,本文提出的贝叶斯网络多方法组合预测模型的预测结果精度优于单一的预测模型,从而论证了本文提出的贝叶斯网络多方法组合预测模型具有一定的实用性.     

基于Gompertz曲线和三次指数平滑法的货运量组合预测

在简单介绍Gompertz曲线拟合法和三次指数平滑法两种单项货运量预测方法的基础上,引用最优加权组合建模理论,以预测误差的平方和最小为目标函数来确定最优权重系数,建立组合预测模型.以1999～2010年京杭运河苏北段货运量的统计数据为基础,运用所建立的组合预测模型对2015～2035年京杭运河苏北段的货运量进行预测.预测结果表明,组合预测方法是有效的、可靠的,并且预测精度比单一预测方法有很大的提高,该方法具有很好的实用价值.     

组合预测模型在交通量预测中的应用

对当前组合预测模型进行分析,在已有交通量预测模型的基础上,建立基于预测有效度的组合预测模型,应用规划方法求解各单一预测模型的最优权重系数。实测数据验证表明,该组合预测方法具有比回归分析和神经网络预测模型具有更高精度,组合方法为交通量预测提供一种可靠而有效的新途径。     

城市短期交通流量预测方法的探讨

根据实际观测得到的交通流量数据,运用灰色预测模型、神经网络以及最小二乘拟合等三种交通流量预测模型．对上海市延安东路隧道浦西段入口处短期车流量进行短期的预测。计算结果表明,神经网络模型的精度最高。最后提出一种根据短期交通流量预测结果的人工智能解决交通拥堵的方案。     

交通流预测的马尔科夫粒子滤波方法研究

智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.针对目前马尔科夫交通流量预测模型在精度方面的不足,以及交通流量随机性、波动性的特点,提出马尔科夫粒子滤波交通流预测模型.一方面,将对交通流量预处理后的样本数据应用于马尔科夫模型中预测未来交通流量,能够较好地描述交通流量的变化趋势;另一方面,针对该预测结果精度的不足及对非线性预测不稳定的缺点,引用粒子滤波算法,将预测结果及权值进行不断更新,以及样本重选样过程,经过多次迭代,使样本粒子更加逼近真实预测值,从而提高预测精度.最后,以北京昌平区某检测器检测到的交通量进行仿真,将预测结果与传统马尔科夫链进行误差对比分析.结果表明,本文提出的马尔科夫粒子滤波交通流预测模型 5 min间隔误差为6.14%、1 h间隔误差为6.04%,预测精度高,具有更好的适用性和稳定性.     

基于改进加权一阶局域法的空中交通流量预测模型

空中交通流量精准预测是实施空中交通控制和管理的重要前提.针对空中交通流量时间序列的内在混沌动力特性,研究了基于改进加权一阶局域法的混沌交通流量时间序列预测模型.首先,提出了一种临近相点演化加权的改进一阶局域预测法,并通过在预测过程中构建误差序列进行预测结果修正;其次,利用关联维数出现饱和现象验证了4组不同统计时间间隔的实测空中交通流量时间序列均存在混沌特性;最后,在对空中交通流量时间序列进行相空间重构的基础上,利用改进加权一阶局域预测方法进行了流量预测结果的对比实验.结果表明,4组空中交通流量时间序列预测精度均有提高,时间尺度为10 min的流量预测效果最好,预测相对误差减小了29.7%.      

短时交通流量预测在最优路径选择中的应用

针对短时交通流量在部队选择最优开进路线时的影响,本文对影响路径诱导的短时交通流量预测算法进行研究,运用基于灰色理论和马尔可夫链的组合预测算法,对某市一条主干道的短时交通流量进行了预测.结果表明,组合预测算法具有更好的预测精度,相对误差为8.768%.能够满足部队选择最优开进路线的时限要求.     

基于最优线性组合的港口集装箱吞吐量预测方法

以某港1981～1999年集装箱吞吐量为实测数据,建立其集装箱吞吐量的趋势外推、时间序列平滑、回归分析和灰色系统等预测模型.对比该港2000～2005年集装箱吞吐量各模型预测值与实际值的差异,分析了差异产生的原因及其单一预测模型的局限性,提出了基于最优线性组合的港口集装箱吞吐量预测法.以原各单项预测模型的预测值作为外生变量,以方差绝对值之加权和最小作为最优准则,建立线性组合预测模型,用单纯形表法解出加权系数,进行外推预测,并验证了方法的有效性.     

基于双重力模型和人工神经网络的空中交通流量组合预测

基于四阶段法,采用双重力模型,预测全国空域的交通流量OD分布.针对历史数据的随机性和周期性,建立灰色广义回归神经网络组合模型,得出空中交通流量的预测结果.采用马尔可夫链预测模型,分析了组合预测结果.算例分析表明,对比华北地区空中交通流量统计数据,与回归分析和广义回归神经网络模型的结果相比,本文模型预测结果的精度更高、更可信.     

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。     

基于宏微观耦合模型的城市道路交通流在线估计

实时可靠的交通流估计是城市交通管理与控制的基础.宏观的MCTM模型不 能获取引道路段的微观信息,微观的Paramics 仿真则需路网OD的准确估计, 为避开单一 模型使用的缺陷,本文提出建立宏微观耦合模型.在模型估计的单位间隔内,先利用 MCTM估计基本元胞有效密度和引道元胞初步密度,并在接口处计算仿真发车数量;再 转用Paramics 进行引道微观仿真,利用仿真检测数据计算交叉口排队长度和引道元胞有 效密度,取代初步密度,作为下一个间隔计算的初始输入,实现交通流的在线估计.仿真中, 为符合转向需求实时变化特性,建立基于约束卡尔曼滤波的转向需求估计模型,实时更 新单位间隔的转向需求.实例分析结果表明,宏微观耦合模型满足城市道路交通流在线估 计要求.     

城市道路网络动态OD估计模型

针对以动态交通管理与控制为目标的动态交通需求计算问题,分析了OD量与交叉口转向交通量的动态关系,将其作为新的系统测量量引入,以此建立了同时考虑路段断面交通量和交叉口转向交通量的状态空间模型,得到了基于城市道路网络的动态OD估计模型,给出了考虑不等式约束的卡尔曼滤波递推方程及相应算法过程。利用微观仿真软件Paramics所建立的实验平台对该模型进行了仿真验证。结果表明：应用该模型进行交通量计算,与传统的仅考虑路段断面交通量模型相比,绝对误差平均减少9％,相对误差平均减少20％,而且其能更好地反映交通量真实值随时间变化的情况,计算结果明显优于传统模型。     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。     

基于进出口匝道流量的高速公路OD矩阵

分析了高速公路进出口匝道的交通流量特征及其与OD矩阵的关系，建立了高速公路进出口匝道交通量关系模型，生成了高速公路匝道系统的状态空间模型，分析了OD矩阵自身的特点，得到OD矩阵的约束关系，对常规的卡尔曼滤波方法进行了约束条件修正，从而形成了约束卡尔曼滤波递推方法。通过模拟数据的计算分析，约束卡尔曼滤波递推方法的性能与卡尔曼滤波递推方法相比有了很大的提高，能够较好地对高速公路上的时变OD矩阵进行跟踪，求解结果满足现代高速公路控制的需要。     

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。     

运动车辆检测与跟踪方法

为提高城市智能交通综合管理能力,提出了基于视频分析的运动车辆检测与跟踪方法。在城市交通干道路面环境中,根据运动目标与道路背景统计特性的差异,基于贝叶斯概率准则,提出一个自适应背景更新算法,检测分离运动车辆目标前景,采用卡尔曼滤波器实现对视频序列中车辆目标的运动检测与实时跟踪,并对在重庆某交通干道的交通流视频进行检测。试验结果表明:该方法在常规视频分辨率下能实现实时处理视频,平均检测准确率为94%,具有较好的实时性与鲁棒性,能够实现城市交通环境中各类运动车辆的检测与跟踪。     

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。