交通量预测的灰色verhulst自记忆模型

导出了灰色verhulst模型的自记忆计算格式,建立了一个新的对交通量历史观测数据具有记忆功能的灰色自记忆模式;该模式克服了历史观测数据的波动对灰色verhulst模型的影响,可有效反映交通量随时间的发展规律.     

不等维递推灰色模型在交通量预测中应用研究

由于过去交通量统计资料的缺乏、观测数据的离散性等原因,惯常的交通量预测理论与方法得到的预测结果相关系数比较低。本文提出的不等维递推灰色模型在交通量预测中可以有效的处理贫信息、离散信息,得到较好的预测结果,并且在交通量的中、长期预测中要优于常规预测模型。     

基于灰色马尔科夫链模型的交通量预测

交通量是一个不平稳的时间序列,在不确定性条件和缺乏数据资料的情况下,交通量的预测是一个较复杂的问题。灰色马尔科夫链模型是一种结合经典灰色理论和马尔科夫链的状态转移行为的预测模型。该模型在灰色预测理论的基础上,再对随机波动大的残差序列进行马尔科夫预测,实现了两者的优势互补,克服了两者的不足。以太原市漪汾桥断面的交通量的数据在传统灰色GM(1,1)预测模型的基础上建立交通量的灰色马尔科夫链模型,研究表明,该模型在交通量的预测方面相对传统的灰色GM(1,1)模型有更高的精度。     

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.     

灰色模型与其组合模型的比较

运用灰色模型和二元回归模型的组合模型进行交通量的预测，结果表明，组合模型比单一的灰色模型具有更高的预测精度。     

��·������ս�ͨ��Ԥ�⼼���Ż���Ӧ���о�

为更准确掌握公路接入段日交通量变化趋势,提高扰动路段交通量预测精度,利用曲线拟合法,建立观测路段基年交通量时间序列模型,结合ACF、PACF图例,应用ARIMA技术和Logistic回归曲线拟合方法,进行模型的识别、细化,而后进行参数估计和模型诊断,确定最佳交通量预测模型,完成模型优化。实例应用结果表明,利用ARIMA技术和Logistic回归曲线拟合方法优化的模型比不考虑观测交通量自相关内容的模型预测精度高,预测误差均值仅为1.53%。     

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。     

交通量的灰包络预测

利用灰色预测法进行交通量预测有着满足贫数据序列,并可以处理波动明显的数据序列的优点。本文尝试运用灰色包络线预测的方法来预测交通量,可在预测远景交通量的同时,预测出其所在的区间,以保证预测的可信度。实践证明该方法具有较高的精度。     

基于改进GM（1,1）的长江干线水位预测方法研究

针对长江干线水位预测建模复杂、数据不全的问题,利用长江干线真实历史水位观测数据,基于灰色系统GM（1,1）模型,研究贫数据下长江干线水位预测.根据灰色系统中数据越近越有价值跟拟合曲线为指数曲线的特点,通过重新构造生成序列和重新定义初始边界条件对GM（1,1）模型进行优化并对最终结果进行分析,得出优化后的模型能更准确的预测水位的结论.     

基于灰色残差GM（1，1）模型的道路交通量预测的研究

道路交通体系是一个多因素、多层次、多目标的复杂系统。其中交通量信息系统具有明显的层次复杂性,结构关系的模糊性,动态变化的随机性,指标数据的不完全和不确定性。由于技术方法、人为因素、自然环境变化的影响,造成各种数据误差、短缺甚至虚假现象,系统的作用机制不明确,系统的状态、结构、边界关系难以精确描述,属于典型的灰色系统。在作量化、模型化、实体化研究时,能作为反映系统主要动态特征的数据是很少的。由于环境对系统的干扰,系统信息中原始数据序列往往呈现离乱情况,离乱数列即为灰色数列或称灰色过程,灰色理论利用那些较少的或不确切的表示系统行为特征的原始数据序列作生成变换后建立微分方程,对灰色过程建立的模型称为灰色模型（Greymodel）,简称GM模型。本文从理论上介绍了GM（1,1）模型和灰色残差GM（1,1）模型建立的一般过程,然后将其应用于交通量预测的实际例子中。预测结果表明,该方法是可行的。     

灰色理论与模型在交通量预测过程中的缺陷分析

交通量预测是公路规划阶段的关键步骤,方法繁多,针对灰色理论与模型在交通量预测过程中的应用,以黑龙江省的几条干线公路的交通量预测为实例,从模型构造上分析了该模型在预测过程中存在的缺陷,有利于该模型的改进和完善。     

城市主干路交通量预测研究

为研究预测城市主干路交通量,首先通过建立灰色模型、指数平滑模型、平均增长率模型较好地预测了影响城市道路交通量的人口、经济、机动车保有量等指标,进一步以回归预测模型为某城市主干路交通量的基本预测模型,通过将多种预测方法有机地结合起来,从而合理地预测了某城市主干路的交通量增长趋势。     

GM（1，1）模型在路基沉降预测中的应用

灰色模型法计算工作量小,精度高,基于灰色理论的灰色模型在公路路基沉降预测中得到了普遍的应用。以工程实际沉降观测数据为基础,建立GM（1,1）灰色模型,对模型的预测结果进行了分析,由此证实GM（1,1）灰色模型在路基沉降预测中具有可行性。     

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。     

基于灰色关联分析和SOM-RBF神经网络的高速公路交通量预测方法研究

本文选取两段高速公路交通量相关数据作为样本,基于聚类算法改进RBF神经网络对交通量进行预测,考虑影响因素的复杂多样,其中对云南元磨高速普洱段数据建立灰色关联分析,得到选取的特征影响因素的关联度大小,其中普洱市总人口数关联度最小为0.5532。随后引入自组织特征映射神经网络(SOM)构建聚类模型。采用先聚类分析、再分别预测的思路,解决了由于RBF神经网络对于少量样本和训练样本点分散所引起的预测精度降低的问题,改进的神经网络泛化能力有所提高,结果表明:SOM-RBF组合算法对元磨高速交通量进行预测,其相对误差维持在6%以下,平均相对误差为3.81%,预测效果较BP神经网络和RBF神经网络有较大的提升。通过两段高速公路的实例分析,验证了SOM-RBF组合算法有良好的预测效果和适用性,可有效的用于交通量预测,具有较高的实用价值。     

基于非等时序灰色模型的路基沉降预测

结合高速公路路基施工沉降观测数据,讨论了灰色系统理论和双曲线模型在公路路基沉降预测中的应用,并对等间隔的灰色模型GM(1,1)进行了改进,建立了任意时间间隔的非等时序改进灰色模型。通过具体工程实践,给出了灰色模型和双曲线模型对公路路基沉降量预测结果与实测结果的比较,结果表明灰色模型的预测沉降量与实际沉降量更接近,精度更高,更能满足工程需要。     

基于高速公路收费数据的交通量调查

为了准确高效统计高速公路的交通量,分析交通量观测、公路收费的车型分类标准,提出基于收费数据的车型数据转换方法,利用收费数据计算断面交通量,对单线路进行逻辑求和,为路网进行平衡配流,为实现高速公路交通调查提供便捷而较为准确的方法。     

宜昌长江大桥-枝城一级公路交通流量预测

介绍了宜昌长江大桥－枝城一级公路预可行性研究阶段交通量的预测方法和预测结果，预测模型建立在对项目影响区历年社会社会发展计划数据和与本项目有直接关系的路网上历年交通量观测资料的分析基础之上，并考虑了项目影响区未来20a的社会经济发展规划。     

灰色代数曲线模型在交通量预测中的应用

灰色GM模型对于非线性系统问题的处理显得较为薄弱,而交通系统是一种复杂的非线性灰色系统,用灰色GM模型进行预测,精度必然得不到保证。本文为解决这一缺陷,提出采用灰色代数曲线模型预测交通量。实例分析表明,灰色代数曲线模型的拟合精度好于灰色GM模型,用灰色代数曲线模型预测交通量是可行的。     

灰色理论在高速公路沥青路面使用性能预测中的研究应用

利用GM(1,1)模型对于不同交通量不同面层结构的沥青路面结构的使用性能进行预测,采用PCI、RDI、RQI等指标建模预测并与国内应用较广的负指数模型进行对比。研究显示,灰色模型较好地适用于交通量大,公路路面病害较显著,路面结构损坏较快的情况。尤其在路面性能使用指标衰变快速的情况下,灰色动态模型对路面使用性能预测较负指数模型精度提升较高;在路面结构合理、路面使用性能指标衰变较缓慢时,灰色动态模型与负指数模型都能获得较良好的预测精度。