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.     

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.     

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.     

基于灰色支持向量机的民航旅客吞吐量预测

依据灰色预测和支持向量机的特点,提出了一种将两种预测方法相结合的灰色支持向量机,并结合民航旅客吞吐量的预测结果,对比了灰色预测模型、支持向量机以及灰色支持向量机的预测结果,验证了灰色支持向量机的预测精度高,预测结果更为准确可靠,为提高民航旅客吞吐量预测精度提供了新的途径.     

����OLAM�ĸ��ٹ�·��ͨ����άԤ���о�

OLAM是联机分析处理与数据挖掘的有机结合,本文以高速公路收费数据为基础,提出一种基于OLAM实现高速公路交通量多维预测的方法.该方法构建了多维数据雪花模型,建立起收费数据的数据仓库并得到交通量多维统计结果;在构建季节ARIMA预测模型过程中,检测出因节假日、恶劣天气导致的交通量异常值并对模型进行修正;最后利用修正后的模型实现了交通量的预测.与一般季节ARIMA模型相比,修正后模型的白噪声方差和AIC值显著降低,数据拟合程度明显提高.实验结果表明,该方法具有较高的预测精度,其中MAE和MAPE分别为50.43和1.59%,能够满足高速公路管理部门利用收费数据分析、预测交通量时空变化趋势的要求,从而为制定各项政策提供理论依据和决策参考.     

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。     

基于最小二乘支持向量机阀控式铅酸蓄电池寿命预测

提出了一种新的电池寿命预测模型,即基于最小二乘支持向量机的电池寿命预测.首先阐述了最小二乘支持向量机的主要思想和基本算法,然后建立寿命预测模型,并利用此预测模型对实验数据进行了比较验证.验证结果表明,该模型在阀控式铅酸蓄电池寿命预测中具有很好的实用性,预测值与实测值能够保持很好的一致性.因此,基于最小二乘支持向量机的阀控式铅酸蓄电池寿命预测方法是切实可行的.     

高速公路运营交通量预测方法研究

运营交通量预测是高速公路运营管理的重要工作之一。以往预测所需路段交通量和OD数据都是通过实地交通调查和OD反推得到,预测精度较低。预测时应充分考虑高速公路ETC的联网新背景,采用新的数据获取途径,提出增长率法和四阶段法相结合的高速公路运营交通量预测方法,并以岱黄高速为例对预测方法进行验证。     

基于多维数据的高速公路服务水平实时判别方法

随着高速公路的不断发展,交通信息逐渐呈现多元化,而将这些信息进行整合并对高速公路服务水平进行实时判别,对于后期的交通控制管理及实时高效提供道路信息至关重要.本文考虑了时间、天气、出行日期等多因素的影响,选用车速、密度作为高速公路服务水平评价指标,结合最小二乘支持向量机与聚类分析相关算法,提出了一种基于多维数据的高速公路服务水平实时判别模型,以实现对高速公路服务水平的参数预测及实时判别.选用河北省237 360组训练样本数据和6 048组预测样本数据验证了该模型的有效性.结果显示,该模型获得了较高的判别精度和较好的预测效果,是一种有效的高速公路服务水平实时判别方法.     

����ģ���ֲڼ���֧��������������������Ԥ��

对区域物流量进行研究与预测有助于把握区域物流的需求,实现区域物流供需相对平衡,提高区域物流规划质量和运行效率具有重要的理论和实际意义.本文将模糊粗糙集理论引入区域物流量的预测中,建立基于模糊粗糙集与支持向量机的区域物流量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.针对支持向量机在处理数据时无法将数据简化的问题,提出了基于模糊粗糙集与支持向量机的区域物流量预测方法,在支持向量机对样本数据进行处理之前,利用模糊粗糙集数据挖掘的能力对原始数据样本集进行预处理.结果表明,这种预测方法具有很好的精确性和有效性.     

基于粒子群优化SVM的高速公路交通事件检测

为了更加准确地检测出高速公路上的偶发性交通事件,采用一种粒子群优化SVM参数的高速公路交通事件检测算法,提升事件检测效果。文中运用高速公路实测数据集（L880）,对支持向量机算法进行分类性能测试,并且采用改进的粒子群优化算法对支持向量机的参数进行优化,进而利用测试集数据对该模型进行验证比较,获得满意的检测效果。     

高斯过程回归短时交通流预测方法

已有的短时交通流预测方法均属于确定性预测,无法对预测的不确定性进行定量分析.针对上述问题,提出了一种基于高斯过程回归的短时交通流预测方法.通过该方法在对短时交通流进行预测的同时还可以得到预测的方差估计值,并依此可以确定预测值的95%置信区间.在仿真实例中,在相同条件下对所提方法与支持向量机预测方法进行比较.仿真结果表明,高斯过程回归短时交通流预测方法不仅与支持向量机预测方法具有相近的预测精度,其中均方根误差为12.09,绝对值误差为118.42,相对误差为17.32%,而且能够获得预测结果的方差估计值,从而有效实现短时交通流概率意义上的预测.     

基于手机运动传感器数据的交通流拥挤识别

准确的交通流状态识别是智能交通管理与控制的基础.通过所开发的手机端软件从手机中提取车辆的加速度与角加速度数据,在研究了其统计特征后,发现该数据可反应周围车辆对目标车辆运行环境的影响,从而与交通流状态的变化有着密切关系.利用支持向量机学习算法,以加速度与角加速度统计参数作为输入变量识别断面交通流状态.实验结果识别精度最高达到92%,表明加速度和角加速度指标可作为交通流状态的表征参数.该研究采用Lasso模型和最小角回归算法对输入参数进行变量选择,在降低计算成本的同时保证了良好的识别效果.      

基于多核最小二乘支持向量机的短期公交客流预测

公交客流是公交规划和运营调度的基础。针对短期公交客流的非线性、随机性和复杂性及支持向量机单核核函数自适应能力较弱的特点,提出一种基于多核最小二乘支持向量机的公交客流预测方法。该方法既考虑到了公交客流的历史数据规律,又顾及到短期公交客流的时变特性,充分利用了相关参数的知识信息。为了保证模型的自适应能力和提高模型的泛化能力,作者提出了综合评价指标,并采用改进遗传算法实现向量机参数优化。最后,结合LS．SVM工具箱,在MATLAB平台上实现长春市短期公交客流的预测。预测结果表明,提出的多核预测方法具有较高的准确性、较强的鲁棒性和自适应能力,在公交客流预测中有具有较好的应用价值。     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流，缓解高速公路交通拥堵现象，本文提出一种考虑多特征的高速公路交通流预测模型。首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵，并利用滑动窗口模型获得输入样本的最佳长度；然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征，随后输出预测结果；最后，将某高速公路交通流数据用于工作日和节假日两组实验。结果表明：集成深度学习模型比单一模型预测高速公路交通流的效果要好，工作日的高速公路交通流预测精度远高于节假日，本文模型将平均绝对误差由 6.40辆·(20 min)-1 降到5.450辆·(20 min)-1，说明考虑多种因素可以提升高速公路交通流预测精度。     

����SVM�����ݲ��ԴITS�����ںϷ�����̽

在阐明ITS数据融合的意义及层次性的基础上，分析了数据层多源ITS数据融合及支持向量机的特点，根据支持向量机（SVM）的原理设计了利用支持向量机进行多源ITS数据融合的思路，并从支持向量机训练、训练结果评价以及支持向量机测试三个方面提出了该思路的实现步骤。在对日本阪神公路上堺入口的二源交通流数据进行支持向量机融合后，比较融合前后的数据，证明所提出的基于支持向量机技术的数据层多源ITS数据融合方法能够有效地进行数据质量控制，提高数据的精确度。     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型（Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM）.首先支持向量机（Support Vector Machine,SVM）参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化（Particle SwarmOptimization,PSO）算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.