短时交通量时间序列智能复合预测方法概述

短时交通量预测是智能运输系统的核心研究内容之一,已成为交通工程领域重点研究课题。对国内外短时交通量时间序列的预测方法尤其是智能复合预测方法进行概述和总结,重点介绍灰色预测模型、模糊预测、遗传算法、神经网络、灰色神经网络、神经网络集成、统计学习理论、混沌预测、小波分解与重构的方法、以及由上述模型互相组合构成的各种智能组合预测模型等,并指出智能复合预测方法是解决短时交通量时间序列预测问题的有效途径和发展趋势。     

基于灰色马尔可夫链的桥梁荷载随机过程交通量预测

为了克服灰色预测方法的不足,在灰色模型预测方法的基础上,提出灰色马尔可夫链桥梁荷载随机过程交通量预测模型,该模型的灰色预测曲线能反映交通量历史发展趋势,马尔可夫预测可反映随机波动性对交通量预测的影响,从兼顾了趋势值和波动性两方面因素对预测结果的作用,能克服单一预测模型在交通量预测中的局限性,并可结合交通量实际情况,能实现准确、综合预测交通量的目的。在现有交通量统计资料的基础上,对该模型进行了精度检验,并预测出了2007年的交通量。实例计算分析表明,模型精度良好,预测结果与实际状态基本相符,利用灰色马尔可夫理论进行交通量预测是一种行之有效的方法。     

基于偏最小二乘神经网络的公路通道交通量预测组合模型

针对公路通道交通量预测的复杂性,提出偏最小二乘神经网络组合模型。传统的预测方法需要考虑城市经济、人口、工业发展等因素,这些因素之间存在密切的相关性,往往使得预测精度降低。本文将针对这些不足进行改进,将偏最小二乘方法和改进神经网络方法相结合,提取对因变量解释最强的成分进行预测。将该预测模型应用于揭阳市公路网规划通道交通量预测中,取得了良好的效果。     

基于马尔柯夫过程的交通量预测

为解决传统交通量预测方法要求数据量较大、参数较多、精度较低的问题，提出了利用马尔柯夫过程来预测公路交通量的方法，建立了相应的预测模型。应用该方法对321国道交通量进行了实际的预测．获得了满意的结果。     

高速公路城区段交通量组合预测方法研究

目前高速公路交通预测方法侧重分析跨区域间的公路交通需求,难以有效反映高速公路进入城市连绵建成区后,其承担的城市交通对交通量的影响,既有公路交通量预测方法不大适用于城区段高速公路交通量预测。对公路交通量预测方法进行改进,建立了适用于城区段高速交通量预测的传统公路交通量预测方法和城市交通预测方法相结合的组合预测方法。组合预测方法以成熟的城市交通预测流程为基础,交通生成和交通分布阶段采用两种方法分别平行进行预测。在交通分布/交通方式划分阶段,利用公路交通量预测方法预测所得项目影响区车辆OD矩阵,对城市交通规划模型获得的分车型OD矩阵进行校正。最后利用校正后的OD矩阵在城市交通规划模型中进行分配得到预测结果。该预测方法已应用于广深沿江高速沙井互通工程可行性研究交通量预测。     

基于浑沌神经网络的动态交通量预测方法研究

介绍了目前国内外道路交通量预测的方法、特点及实际的预测效果.由于城市道路交通的复杂性,使得一些现有交通量预测方法的预测精度不高.针对这些问题,应用混沌神经网络,建立了城市道路交叉口出口交通量的浑沌神经网络预测模型,并与传统的BP神经网络预测结果对比,表明此模型具有较好的预测效果.     

改建道路累计交通量的模糊预测

利用２０５国道某段已有交通量资料，依据模糊数学和线性规划的有关理论，建立了该路段日累计交通量的模糊预测模型，阐明了道路累计交通量的模糊预测方法．     

交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。     

灰色理论在交通量预测中的应用

阐述了灰色理论,建立灰色预测模型,并用该模型进行交通量预测。预测结果显示：较惯常的预测理论,灰色预测模型处理较少的模糊数据具有明显的优势,预测结果具有更好的精度等级。     

灰色理论在高速公路交通量预测中的应用

本文应用灰色理论，借助于EXCEL及MATLAB，对成渝等几条高速公路的交通量进行了预测，并结合实例建立相应的模型予以验证，经与实际情况对比，证明用该预测模型预测高速公路交通量精度较高，且方法简便。     

基于模式识别的短时交通流预测

实时准确可靠的短时交通流预测是智能运输系统的基础,有很多种方法被用来对交通流进行预测.基于模式识别的交通流预测方法是较新的预测方法之一.提出一个用于短时交通流预测的模式和对应的模式识别算法,并对城区道路的交通流做了实验预测,结果表明在趋势上较为准确.     

交通需求预测中均衡配流与方式划分组合模型

在用户平衡(UE)和系统最优前提下,借助于Share需求模型,提出了基于四阶段法的交通需求预测组合模型,克服了传统四阶段法中由于各个阶段相对分割和独立,造成的人力物力耗费巨大,预测工作量大的弊端.对于交通预测的实际工作具有指导性作用.     

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

交通冲突量的BP神经网络预测方法

交通冲突预测是进行交通事故预防和制定安全改善措施的有效手段，节约观测时间和人力。针对BP网络的缺点，提出了改进的快速BP算法，建立了交通冲突量的BP神经网络预测方法，并应用该方法对具体的交叉口交通冲突量的预测实例进行了研究，实践验证了该方法的有效性。     

基于多因子关联分析的道路交通事故灰色预测模型研究

基于灰关联分析,对道路交通事故的影响因子进行预处理,建立了基于多因子关联分析的道路交通事故GM(1,N)预测模型。对哈尔滨市1994年~2004年的道路交通事故进行实例分析,预测结果表明GM(1,N))模型的预测精度高于GM(1,1)模型及多元线性回归模型。该模型克服了GM(1,1)模型对于波动性较大的非平稳数列预测精度低的缺点,该模型具有简单、有效、预测精度高的特点。GM(1,N)模型是一种动态数据处理方法,且不会出现量化分析与定性分析结果矛盾的现象,能够很好的反映交通事故的未来发展趋势。     

基于时空特性和RBF神经网络的短时交通流预测

针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

三峡翻坝运输江南公路交通量预测思路探讨

三峡翻坝运输江南公路是三峡坝区水陆联运的主要公路通道,服务于三峡坝区各种长期、应急或临时性翻坝运输需求,同时也是项目沿线地区内部及对外出行的重要交通线路。因其在区域运输网中的独特地位,其未来服务功能具备典型的多样性特点,交通需求特征迥异于一般公路项目,采用传统的交通量预测方法很难把握其未来交通需求的增长规律和分布特点。在江南公路交通量预测过程中,引入了分类预测法,并创造性地构建了基于出行意向的交通量分担模型、基于土地开发利用的新增交通量预测模型等,在诸多方面都进行了有价值的探索。     

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理，且需要满足实时性需求。然而，少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory，LSTM）自编码器的高速公路交通流量递归预测框架，可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据，应用卡尔曼滤波方法进行数据平滑，以提高原始数据的可预测性能；引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模，以提高模型的运算效率；考虑到高速公路交通流量预测的实时性需要，进一步提出递归预测框架，用LSTM自编码器的预测值代替卡尔曼滤波值；根据获取的实时数据，执行自适应卡尔曼滤波算法以修正当前的最佳状态值，并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析，结果表明:所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势，模型预测的平均绝对百分比误差为5.0%，优于卡尔曼滤波和LSTM自编码器组合模型的7.4%；模型训练时间为85 s，低于标准LSTM模型的101 s。      

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.