基于径向基函数神经网络的交通量预测

采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点。在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量。     

路段短时交通量预测自适应控制法

基于自动控制理论,文章提出一种路段短时交通量的动态预测算法。以历史交通量观测数据为输入,下一时刻交通量预测值为输出,构造了单输入单输出的离散时间动态系统,设计了反馈控制回路和自适应PID控制器对预测结果进行修正。实例分析表明,该算法能较快跟踪交通量的变化,实时修正算法,能实现时间和空间上的移植。     

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。     

对高速公路流量预测中两个核心问题的探讨

以上海崇明越江通道为例,对高速公路流量预测中须着重考虑的两个核心问题进行了探讨.阐述了诱增交通量的特性、诱增经济在交通量预测中的作用,在澄清了实际应用中的一些模糊概念后推荐了一套实用的预测方法;根据性质及预测方法的不同,从传统的诱增交通量中分离出释放交通量的概念并对其分析手段进行了初步的探讨.     

基于自适应神经网络模糊推理系统的交叉口交通冲突数预测

自适应神经网络模糊系统在建立对象输入和输出关系时,与传统的数学方法不同,它是基于数据的建模。本文利用这一系统特性,建立平面交叉口交通冲突数与进入交叉口内的左转交通量、右转交通量、直行交通量和行人过街交通量之间模型,提出自适应神经网络模糊系统预测交叉口冲突数的方法,建立一种快速获取交通冲突数的预测方法,为交通冲突数的调查开辟了新的途径。     

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。     

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Bi-LSTM模型的高速公路交通量预测

高速公路交通量的预测是管理部门研究的重要内容,为交通控制和诱导提供数据支撑。针对高速公路交通量的预测问题,引入一种新的基于双向长短期记忆网络(Bidirectional Long Short Time Memory Network,Bi-LSTM)的方法。Bi-LSTM模型将普通的LSTM拆分成为两个方向,前向计算关联历史数据,后向计算关联未来数据,两个方向LSTM不直接连通,将两份数据整合输出作为Bi-LSTM计算单元输出值。实验表明,BiLSTM模型相比对比模型预测误差至少优化了4. 5%,在非线性交通流数据中具有更好的预测性能和泛化能力。     

城市快速路互通立交合流区交通量预测

分析了快速路互通立交主线总交通量、交织流量比和主线外侧第二车道大型车比例等3种因素对合流区端部主线最外侧车道交通量的影响,得出上述3种因素与合流区端部主线最外侧车道交通量具有非线性关系.在实际调查数据的基础上,采用广义神经网络对合流区主线最外侧车道的交通量进行了预测,并与实际调查数据对比,对比结果证明预测效果良好.     

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.