基于Gaussian-支持向量回归机的高速公路短时交通量预测

针对高速公路短时交通量的实时性、波动性和非线性的特点,将支持向量回归机(SVR)应用于高速公路短时交通量预测,并采用Gaussian损失函数来代替ε-不敏感损失函数,对原始序列进行降噪处理,为了更好的优选SVR模型参数,采用遗传算法(GA)进行参数优选,建立了基于GA优化的GA-Gaussian-SVR高速公路短时交通量预测模型,将本路段前几个时段交通量、天气因素和出行日期作为影响因素输入,结合实例进行了仿真预测.结果表明该方法可有效应用于高速公路短时交通量预测.     

时空因素影响下在线短时交通量预测

考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对模型参数进行优化;最后,构造时间-空间状态向量,通过不同的状态向量对时间和空间维度的影响进行了分析.利用高速公路检测器数据,对比不同模型的精度,对在线短时交通量预测模型的有效性和可行性进行了验证.结果表明：在线模型精度优于传统的支持向量回归模型,考虑时空因素影响后交通量预测模型具有更高的精度和稳定性.     

非线性短时交通流的一种神经网络预测方法

短时交通流预测是交通控制与交通诱导系统的关键问题之一。随着预测时间跨度的缩短,交通流量的变化显示出越来越强的不确定性,使得一般的预测方法难以奏效。本文针对BP神经网络运行的特点。提出了用隔离小生境遗传算法优化传统的BP网络。实例证明,该神经网络的进化建模方法设计简单,全局搜索效率较高,能有效的用于短时交通流量的预测。     

基于小波神经网络的短时交通流预测

针对现阶段城市道路交通短时交通流预测精度不高的局限性,将小波变换引入到城市道路交通预测过程中,提出一种基于小波神经网络的预测方法。运用美国加州高速公路通行能力度量系统数据作为数据来源,应用小波变换和BP神经网络相结合对其进行预测,然后对预测结果数据进行分析,并对短时交通流进行综合评价。实验表明,该方法与传统的BP神经网络相比较,在短时交通流预测方面具有较好的有效性和优越性。     

基于GA-BP神经网络的交叉口短时交通流预测

交叉口车辆运行效率不高主要由两个原因造成:一是目前很多交叉口交通信号的配时与实际交通流不匹配;二是当前短时交通流预测的时长集中在5～15min,过长的时间间隔无法给信号控制提供准确的数据支撑。为了改善这种状况,提出了一种基于优化的BP(Back Propagation)神经网络的交叉口短时交通流预测方法。首先针对流量预测提出了准实时的概念,其次引入BP神经网络,再利用遗传算法对BP神经网络进行优化,最后在优化的BP神经网络的基础上建立交叉口短时交通流预测模型,且将传统的预测时长从5min缩短到5s。利用南京市某一道路交叉口采集的数据对提出的预测方法进行验证,结果表明:与传统的BP神经网络以5min为预测时长相比,该预测方法以5s为预测时长能够将预测精度提高77%。     

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。      

基于改进“四阶段法”的高速公路交通量预测研究

以"四阶段法"为基础,通过加入经济-交通组合模型进行改进,提出了一种更为合理的交通量预测方法。并应用该方法预测了杭州绕城高速公路2015年—2029年年平均日交通量(annual average daily traffic,AADT),并对交通量构成及来源进行分析。结果表明:该预测方法提高了高速公路交通量预测的准确性,减少了预测结果的误差,具有理论与实践应用价值。     

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.     

新冠疫情对高速公路交通量的影响评价

采用时间序列分析中的A RIM A模型对湖北省某高速公路2020年交通量本底趋势值(不考虑疫情影响)进行预测,并通过分析疫情危机的生命周期,将此次新冠疫情危机分为征兆期、爆发期、高峰期、后疫情期4个阶段,对各阶段中收费车流量进行统计分析,计算交通量损失率,判断此次疫情对高速公路交通量的影响程度.选取经济指标、感染人数等相关因素,采用主成分分析、线性回归及曲线估计等方法,建立疫情影响下高速公路交通量短时预测模型,模型误差在±5％ 以内为可接受范围.该模型能够帮助政府主管部门及高速公路运营管理单位对交通量发展趋势进行准确判断,有利于相关应急措施的制定.     

支持向量机对交通流量的预测模型

针对目前交通量预测中所广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点,介绍了一种新的预测方法——基于结构风险最小化的SVMR交通量预测模型,经实践证明能够较好地解决道路交通量预测问题。     

基于自适应粒子群优化算法的交通量短时预测模型

在考虑交通量短时变化的时空特性和波动性基础上,建立了非线性交通量短时预测模型.根据我国城市道路交通流非线性、时变性、随机性等特点,提出自适应粒子群优化算法对非线性交通量短时预测模型进行在线修正.该自适应粒子群优化算法采用两步优化策略,对算法参数进行调整,避免算法早熟收敛,有效提高了算法的运算精度和效率.利用城市道路的实测数据,通过Mat-lab软件工具箱对该模型进行计算机仿真验证.     

基于遗传BP算法的我国汽车保有量预测

在对我国中长期汽车保有量预测时,针对传统BP算法的不足,采用遗传算法优化BP算法的连接权值,使优化后的BP网络的训练速度和预测精度得到了有效提高,说明该方法具有较好的实用性和推广价值.     

灰色理论在高速公路交通量预测中的应用

应用灰色理论，借助于EXCEL及MATLAB，对成渝等几条高速公路的交通量进行预测并结合实例建立相应的模型予以验证，通过与实际情况对比，说明该预测模型用于高速公路交通量预测精度较高，且使用方法简便。     

交通量预测的支持向量机回归法

针对目前交通量预测中所广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点．一种新的预测方法——基于结构风险最小化的SVMR交通量预测模型经实践证明能够较好地解决道路交通量预测问题。     

基于距离曲线和交通阻抗的交通量联合预测

针对研究区域内各交通方式的交通量网络分配问题,创造性地采用了传统四阶段法与多方式一体化交通分配技术相结合的方法进行解决,通过对绥沈高速公路交通量预测可知,基于距离曲线的交通方式划分和分配联合预测与基于交通阻抗的综合交通路网分配预测,两种预测方法虽然理论依据完全不同,预测手段各有区分,预测所得的交通量略有不同,但在总体的发展趋势和客货的相对关系上是和谐统一的。因而,经过对两种预测方法所得的结果的检验与校核可知,两种方法均相对合理,结果相对可信,结论相对准确。     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

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BP神经网络公路交通噪声的预测

由有限的公路交通噪声实测数据类比估算其它环境敏感点噪声值是公路建设项目环保验收和环境后评价的重要基础工作之一,为探讨科学有效的类比方法,根据人工神经网络理论,针对高速公路交通噪声预测的特点,提出了基于大、中、小车交通量、预测点距离及道路结构5个参数的高速公路交通噪声预测BP神经网络模型。通过对BP模型预测结果与实测值和FHWA模型预测值的比较表明:在某一特定公路环境下,由有限噪声实测数据预测其它环境敏感点的噪声值,BP神经网络不失为一种简便而有效的方法,且可得到比用FHWA模型预测更为精确的结果。     

繁峙至大营高速公路交通量预测与分析

采用实证的方法,通过繁峙至大营高速公路工程可行性研究交通量预测的实例,阐述了交通量预测的过程及方法,并对模型和参数的选定、评价指标的应用进行了分析,为公路交通量的预测提供了可借鉴的经验。     

高速公路改扩建时机决策方法

为了提高高速公路的通行能力,改善高速公路的服务水平,提出选择高速公路改扩建最佳时机的决策方法。分析了高速公路收费站的交通量统计数据,利用趋势外推法、多元线性回归法和增长系数法预测出高速公路未来年的交通量,根据预测交通量计算的服务水平构建出改扩建时机决策的触发点机制。当某年高速公路实际发生交通量与道路设计交通量相等时,该年为高速公路改扩建的最佳时机。计算结果表明:2011年西宝高速公路服务水平为1.0,此年应进行改扩建,这与西宝高速公路实际改扩建时机吻合,因此,改扩建时机决策方法可靠。