基于时间序列法的公交车站间行程时间预测模型研究——以苏州1路公交为例

准确预测公交站间行程时间是先进的出行者信息系统(ATIS)的核心,是公交运营和管理的关键问题之一。本文采用改进的时间序列法进行公交车辆站间行程时间预测,利用游程检验法检验时间序列平稳性,并借鉴EMD算法把非平稳时序分解为若干个平稳时序的线形组合,然后对每个平稳时序用指数平滑模型预测。最后,依托苏州1路公交运行数据对该预测模型进行验证,结果表明,该预测模型不仅能够准确的预测公交站间行程时间,还能增强时间序列法对于突发事件的反应能力,大幅提高预测精度。     

����SVM�ij��п���·�г�ʱ��Ԥ���о�

随着城市快速路交通信息采集系统的发展,特别是视频车牌采集系统的应用,使实时动态获得快速路行程时间成为可能,同时也促进了高精度行程时间预测的理论研究和实际应用需求. 本文基于快速路车牌识别数据检测的海量历史时间序列数据,选择预测时段的前4个时段的数据作为输入特征值,以遗传算法建立模型参数优化算法,得到训练模型及其参数,从而实现车辆行程时间的动态预测. 最后以上海市快速路系统中的三个典型路段的实测数据进行实例分析. 结果表明：与传统的指数平滑法、多元回归法、ARIMA法预测结果对比,基于SVM的预测路段平均绝对百分误差在5%以内,希尔不等系数非常接近0,SVM模型显示了更高的预测精度.     

基于模糊综合评判的智能行程时间预测算法

提出一种智能行程时间预测算法。算法基于交通流量和占有率等实时交通信息,用模糊综合评判的方法实现对行程时间的预测。其核心是由交通流量和占有率构成因素集,把行程时间看成由因素集组成的评判集,通过因素集的隶属度函数确定模糊评判矩阵,从而求出行程时间的定量值。算例验证了算法的预测精度高,拟合程度好,具有一定的可行性。     

指数平滑法在交通参数短期预测中的应用

阐明了滑动平均数法与指数平滑法的渊源，论证了滑动平均数法选择期数N与指数平滑法平滑系数α的相互转换关系和作用机制，给出了符合交通规律的具有自适应能力的季节性指数平滑预测方法。     

基于微观仿真的路段行程时间预测方法

实时路段行程时间预测是动态交通分配中路径选择的关键技术之一,采用微观交通仿真手段和指数平滑方法估计路段行程时间,在路段行程时间估计模型中考虑了交叉口排队延误、信号控制延误和交叉口内转向行程时间,提出了基于灰色等维新息GM(1,1)模型的路段行程时间预测方法,根据路段行程时间的历史数据和实时采集数据,滚动预测未来的路段行程时间,通过实例应用证明了模型有很好的预测精度.     

基于指数平滑法和马尔科夫模型的公路客运量预测方法

分析了常用的客运量预测方法,提出了一种新的基于指数平滑法和马尔科夫模型的公路客运量预测方法.基于公路客运量的实际值、线性拟合值与二次曲线拟合值,采用二次曲线拟合的方法计算了初始值与平滑系数.以安徽省2000～2009年相关数据为基础,应用指数平滑法预测了2010、2011年的公路客运量.以-11％、一5％、0、5％、11％为划分阈值,将指数平滑法预测结果的相对误差划分为4个状态区间,应用马尔科夫模型对指数平滑法的预测结果进行修正,并与模糊线性回归模型、指数平滑法的预测结果进行比较.分析结果表明:应用提出的方法,2010、2011年安徽省公路客运量的预测结果分别为14.209、15.712亿人,相对误差分别为1.195％、0.492％;应用指数平滑法,预测结果分别为13.468、14.893亿人,相对误差分别为-3.399％、-4.746％;应用模糊线性回归模型,预测结果分别为13.573、15.325亿人,相对误差分别为-2.647％、-1.983％.提出的方法精度较高,满足实际需求.     

指数平滑预测法中平滑系数的确定

提出了确定指数平滑系数的三种方法及有关理论.指出指数平滑系数的正确选择对提高预测精度所起的重要作用.解决了只依靠主观确定的指数平滑系数使指数平滑法在预测中的应用与推广受到限制的问题.     

指数平滑预测法中平滑系数的确定

提出了确定指数平滑系数的三种方法及有关理论．指出指数平滑系数的正确选择对提高预测精度所起的重要作用．解决了只依靠主观确定的指数平滑系数使指数平滑法在预测中的应用与推广受到限制的问题．     

短时路段行程时间分布预测方法研究

为有效利用历史路段行程时间数据,提高短时路段行程时间分布估计精度,提出了一种自适应数据融合方法。通过分析历史行程时间数据与实时行程时间数据间的关系,构建了二者间的映射模型,有效地将非精确对应下的数据区间映射为精确对应状态,并根据所建非线性模型得到预测数据分布,极大地提高了行程时间分布的预测精度。考虑时间延迟等因素,采用DYNASMART仿真软件对所提出的方法进行了模拟验证。结果表明:随着采集步长的增加,应用自适应数据融合方法得到的短时行程时间预测分布与随时间变化的实际行程时间分布状态保持一致,这有效保障了数据预测的质量,为智能交通管控策略的制定提供可靠的依据。     

基于随机森林算法的路段行程时间预测

利用随机森林算法对路段行程时间进行预测,根据行程时间的相关性提取了四个特征向量作为决策树节点分裂的依据,对原始数据集进行训练,并将预测值与实际数据对比,发现绝大部分时刻两者基本吻合,MAE均小于2.49 min,MAPE都控制在10%以内,相对于该时段平均行程时间来说误差在可以接受的范围内,预测精度较高,这说明基于随机森林算法的路段行程时间预测是可行的。