道路交通事故GM(1,N)预测模型

GM(1,N)模型适合于具有多个影响因素的系统特征变量的预测,文章研究了GM(1,N)模型用于道路交通事故的预测的方法。根据1990～2000年全国道路交通事故统计资料,建立了交通事故死亡人数的多因素灰色预测模型,预测的2000年死亡人数为90324人,相对误差为3.76%,可见GM(1,N)模型预测效果较好,可用于道路交通事故预测。     

道路交通事故灰色马尔可夫预测模型

在道路交通事故灰色预测的基础上，引入马尔可夫链预测理论，建立道路交通事故灰色马尔可夫预测模型。道路交通事故灰色马尔可夫预测兼有灰色预测和马尔可夫链预测的优点，模型克服了随机波动性数据对道路交通事故预测精度的影响，拓宽了灰色预测的应用范围。实例计算证明：道路交通事故灰色马尔可夫预测模型预测精度高于GM(1，1)模型预测精度，模型可以用于道路交通事故预测。     

基于灰色理论的道路交通事故预测模型综述

交通事故预测模型是进行交通安全控制的关键问题之一。重点介绍了目前几种主要的基于灰色系统理论的道路交通事故预测模型:基本灰色预测GM(1,1)模型、残差灰色预测模型、灰色Verhulst预测模型、灰色马尔可夫预测模型、灰色神经网络预测模型,并指出各模型的适用条件和优缺点,为相关研究提供参考。     

灰色系统理论在桥梁线形控制中的应用与研究

在桥梁施工控制过程中,灰色系统理论得到了广泛的实用,而使用最多的是GM(1,1)模型来预测标高,但是通过实践证明GM(1,1)模型所预测的数据精度并不是非常准确,因此对灰色系统理论进行进一步的研究是迫切的。笔者在沈阳四环跨越沈丹线立交桥实际工程的施工控制中应用了灰色系统理论方法,采用了3种不同的样本数据建立GM(1,1)模型。并建立4个样本数的GM(2,1)模型,并对以上模型所预测的标高结果与实际标高进行对比分析。实践证明灰色理论成功的应用在了跨越沈丹线立交桥的施工控制中,并验证了GM(2,1)模型在预测精度上高于GM(1,1)模型,而增加样本数据非但不能提高GM(1,1)模型所预测的精度反而随着样本数据的增多精度随之降低。     

一种改进的灰色模型在交通量预测中的应用

GM(1,1)模型是灰色系统理论中的核心,已经得到广泛应用。一种改进GM(1,1)模型无论用于拟合或预测,其结果都明显优于常规GM(1,1)模型。结合遗传算法和最小二乘法获得该模型的待定参数,对改进的GM(1,1)模型给出了一种新的求解方法。将此改进GM(1,1)模型用于交叉口交通量的预测,预测结果较好。将等维递推和自适应的思想引入改进GM(1,1)模型,可进一步提高该模型的预测精度和实用性。     

新陈代谢模型在特大桥施工监控中的应用研究

运用灰色模型中的新陈代谢GM(1,1)模型对连续梁桥施工挠度进行预测,以广东汕头莲阳河特大桥施工为例,采用该模型预测施工中悬臂梁段的高程变化。结果表明,与传统GM(1,1)模型相比,新陈代谢GM(1,1)模型预测结果的平均相对误差更小,预测精度更高,可用于桥梁施工挠度预测。     

GM(1,3)模型在交通系统公路客运量预测中的应用

交通系统公路客运量预测不仅具有模糊性和动态性等特点,而且受多个因素影响。许多交通研究人员只根据客运量一个因素,用GM(1,1)模型预测。文章运用GM(1,N)系统综合预测模型,考虑系统中多个相关因素,并结合GM(1,1)模型,以原始离散的公路客运量、人口和国内生产总值GDP三组数据数列为基础,建立GM(1,3)模型来预测公路客运量。在详细论述了系统综合预测模型GM(1,3)的建立过程后,用后验差检验法对预测结果进行了检验,预测精度较好,表明此模型对公路客运量预测有一定应用价值。     

双优化GM(1,1)新模型在路基沉降预测中的应用

路基沉降预测一直是道路工程领域的研究重点和难点。常用的GM(1,1)模型所预测的路基沉降值精度相对较低,特别当数据序列急剧变化时,GM(1,1)模型的误差值可能会更大甚至失效。针对传统GM(1,1)模型存在的问题,通过改变初始值,增加扰动因素β优化初始条件。同时利用非齐次指数函数拟合模型中变量的一次累加生成序列优化背景值,提出了初始条件和背景值双优化的新GM(1,1)模型。通过MATLAB软件编程实例计算表明,双优化之后的新GM(1,1)模型较原模型相比,其预测精度有了较大幅度的提高。     

基于灰色理论的高速公路小修保养维修量预测模型

在仅有通车5 a以下维修量的小样本数据条件下,为了合理、科学地预测高速公路小修保养维修量,量化年平均日交通量、年均降雨量、年均温度和通车年限4个因素对维修量的影响程度。提出了基于Matlab的灰色系统预测模型,以实际调研路段5 a的统计数据为样本,运用灰色关联度模型对4个因素的影响程度进行量化评估;分别建立均值GM(1,1)单变量预测模型与GM(1,N)多变量预测模型对维修量进行预测分析。研究结果表明:上述4个影响因素与维修量的灰色关联度均大于0.5,说明上述4个自变量对维修量均具有较大影响;GM(1,1)模型70%的预测结果误差小于15%,GM(1,N)模型75%的预测结果误差大于30%,从而得出GM(1,1)预测模型比GM(1,N)预测模型的预测结果更加准确。因此,对通车5 a以下维修量的小样本数据预测,选用单变量预测模型更加合理、有效。     

高速铁路桥梁桩基极限承载力预测研究

利用高速铁路桥梁单桩竖向静载试验数据,应用灰色理论建立GM(1,1)模型,在此基础上编制预测程序FPS预测桩基极限承载力。对比分析实测值和预测值,二者吻合较好,验证了GM(1,1)模型进行桩基极限承载力预测有较好的精度和实用性。GM(1,1)模型可作为预测高速铁路桥梁桩基极限承载力的可行方法。     

BP神经网络和GM(1,1)灰色模型在公路客运量预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM(1,1)和BP神经网络组合模型。此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少,数据波动性大对预测精度的影响,也增强了预测的自适应性。实例证明了组合模型的预测精度高于单独的GM(1,1)模型,可以用于公路客运量预测。     

基于ARIMA-FNN的道路交通事故最优加权组合预测模型

1个适应性良好的道路交通事故预测模型对于交通管理、控制和有关规划设计起着重要作用,文中根据交通事故发生的时空性和多因素性,利用ARIMA模型良好的时间序列线性拟合能力和FNN强大的非线性映射能力,通过最优加权方法确定模型权重,建立ARIMA和FNN的组合模型,并对我国道路交通事故进行预测。结果表明：这一模型可以提高事故预测精度,是1种有效的事故预测模型。     

基于BP神经网络的交通事故预测模型

交通事故预测对于分析现有道路交通条件下交通事故的未来发展趋势及其预防具有重要意义。在进行交通事故统计的基础上，运用BP神经网络理论，建立交通事故预测模型。计算结果表明，该模型较传统方法精度高，可用于交通事故预测。     

用改进的灰色关联度分析交通事故成因

改进的灰色关联模型与普通灰色关联模型相比,可以突出关联度的微小变化,且更加科学。通过实例,用改进的灰关联对道路交通事故成因进行了分析,并与普通灰色关联分析进行了比较,发现前者分析结果更具层次性、差异性,更容易识别事故主要、次要和潜在的成因。     

灰色理论在高速公路软土地基沉降预测中的应用

运用灰色理论对高速公路软土地基沉降进行预测,建立不等时距的预测模型GM(1,1),采用后验差法对模型的可靠性进行检验,弥补等时距GM(1,1)模型的不足。同时,结合沿江高速公路常州段实测数据,进行计算机模拟,得出了预测模型,并与实测结果进行对比和分析,结果理想可靠,证明了该法的实用性。     

基于时间序列挖掘的隧道交通事件分析

为了及时发现隧道内交通安全隐患,尽量减少交通事故的发生,针对现有隧道交通事件预测方法在实际应用中的不足,引入时间序列法,建立了隧道交通事件时间序列预测模型,该模型可以快捷地得出事故影响因素的预测值,预测出道路交通事件总体发展趋势。实验证明,模型能很好地适应于道路交通事故预测,同时具备了资料较少,建模简单,计算快捷等优点。