短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。     

基于混沌理论的短期交通流量多步预测

短期交通流量预测是智能交通系统的核心研究内容之一.针对城市交通流具有的混沌特性,提出1种具有较高精度的短期交通流量多步预测方法,以支持交通控制和交通流诱导.利用最大Lyapunov指数方法判别交通流量时间序列的混沌特性,对交通流量时间序列进行相空间重构,并在此基础上结合加权一阶局域方法设计了基于混沌理论的交通流量多步预测算法.将此方法运用于实际道路交通流量的多步预测,比较多步预测值与实际流量值,其平均绝对百分比误差为3.33％,平均绝对误差为9.05/[pcu· (5min)-1],均方根误差为10.36/[pcu·(5 min)-1].应用结果表明,该预测方法具有较高的精度.     

基于统计学习理论的交通流量时间序列预测

针对城市交通“智能运输系统”，提出基于统计学习理论的交通流量时间序列预测，与传统统计学相比，统计学习理论能勉励在训练样本数很少的情况下达到很好分类推广能力。它具有收敛速度快，有效避免局部最小点的特点。对某一实际路口机车流量的实验结果验证了该方法的有效性和先进性，有望在交通流量时间序列预测方面得到广泛的应用。     

基于RBF径向神经网络的混沌时间序列预测

文章提出了基于神经网络预测混沌时间序列的方法，分析了神经网络的基于工作原理，并用模拟产生的ｌｏｇｉｓｔｉｃ方程数据与实际采集的海杂波数据一一进行了实际研究，得出了预测结果与混沌时间序这间关系的一些结论。     

边坡位移预测的混沌时间序列分析方法应用研究

把混沌时间序列理论引入到边坡工程研究中，运用边坡位移时间序列的最大Lyapunov指数预测边坡的变形破坏，建立了预测模型，并结合工程实例进行边坡位移预测，取得了较好的预测效果。     

混合智能算法在城市道路短时交通流量预测中的研究

对城市道路短时交通流进行准确预测是实现城市交通控制与交通诱导的关键。针对目前单一预测方法预测精度不高的问题,提出了小波与支持向量机（SVM）融合的预测新方法;同时为了避免SVM知识学习过程陷入局部最优的问题,采用粒子群算法（PSO）来优化SVM的关键参数,以提高对短时交通流量的预测精度。通过对武汉市道路交通流数据的实验分析,结果表明所提出的方法能够准确提取实验数据关键特征,显著提高SVM的预测精度,且结果比单一使用方法提高了近9%。     

边坡位移预测的混沌时间序列分析方法应用研究

把混沌时间序列理论引入到边坡工程研究中,运用边坡位移时间序列的最大Lyapunov指数预测边坡的变形破坏,建立了预测模型,并结合工程实例进行边坡位移预测,取得了较好的预测效果.     

高速公路网的动态交通预测

本文介绍一城市间高速公路网的动态交通预测模式系统，该系统实时预测网络的交通状况并把信息及时传送给交通控制中心。模式实时接受来自交通监测中心的交通流、平均速度及传感器占有率等交通数据，此外，模式也使用已有交通信息的数据库。     

基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究

对锂离子电池动力学系统进行了非线性特性分析,并判别了其混沌特性。采用相空间重构技术恢复锂离子电池动力学系统原有的混沌特性,得到多维状态空间的时间序列,利用LS-SVM模型对重构后的时间序列进行预测,获得荷电状态(State of Charge,SOC)的预测值。仿真结果表明:与BP神经网络预测模型相比,该预测方法具有较高的预测精度和较好的适应性,对实际应用具有一定的指导意义。     

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。     

公路隧道交通量的预测及分析

公路隧道交通量的预测对隧道通风系统的节能以及降低隧道运营成本有很重要的意义。分别利用多元统计分析法和BP神经网络两种方法对公路隧道交通量进行了预测,并对两类预测数据进行分析比较,得出了多元统计分析法适用于车流量少而且稳定的公路隧道的预测,而BP神经网络法则适用于车流量大而且不稳定的公路隧道的预测的结论。     

A Comparative Study of Three Multivariate Short-Term Freeway Traffic Flow Forecasting Methods With Missing Data

Short-term traffic flow forecasting is a critical function in advanced traffic management systems (ATMS) and advanced traveler information systems (ATIS). Accurate forecasting results are useful to indicate future traffic conditions and assist traffic managers in seeking solutions to congestion problems on urban freeways and surface streets. There is new research interest in short-term traffic flow forecasting due to recent developments in intelligent transportation systems (ITS) technologies. Previous research involves technologies in multiple areas, and a significant number of forecasting methods exist in the literature. However, most studies used univariate forecasting methods, and they have limited forecasting abilities when part of the data is missing or erroneous. While the historical average (HA) method is often applied to deal with this issue, the forecasting accuracy cannot be guaranteed. This article makes use of the spatial relationship of traffic flow at nearby locations and builds up two multivariate forecasting approaches: the vector autoregression (VAR) and the general regression neural network (GRNN) based forecasting models. Traffic data collected from U.S. Highway 290 in Houston, TX, were used to test the model performance. Comparison of performances of the three models (HA, VAR, and GRNN) in different missing ratios and forecasting time intervals indicates that the accuracy of the VAR model is more sensitive to the missing ratio, while on average the GRNN model gives more robust and accurate forecasting with missing data, particularly when the missing data ratio is high.     

基于公路网的路段交通量预测方法研究

分析现行公路路段交通量预测中存在的问题，在此基础上提出以“网”为依托，基于公路网的路段交通量预测方法，重点讨论基于公路网的交通预测四阶段法，同时给出路段通行能力的确定和区域形心位置的选取方法和原则，并讨论实际中应注意的问题，对公路网规划、公路工程项目可行性研究、公路建设计划的拟定等具有重要的理论意义和实用价值。     

公路交通噪声源强测试

在西安市两条高速公路上对单车交通噪声源强进行了测试,得到了小型车、中型客车、大型客车、中型货车、大型货车的单车交通噪声级与车速的关系式。研究表明,中型客车与小型车单车交通噪声源强相近,大型客车与中型货车单车交通噪声源强相近。将源强相近的车型归类合并后,得到了小、中、大三类车型的单车交通噪声级与车速的关系式,并与现行公路环评规范推荐的单车交通噪声源强作了比较。本研究得到的中型车及大型车单车交通噪声源强值低于现行环评规范推荐的值,其原因可能与近年来我国新车增多、车辆性能改善等因素有关。     

公路客运短期运量预测研究

科学有效地预测公路客运量对于公路客运的管理和决策具有重要意义。本文结合实际应用,基于客运量中短期变化规律的分析,对公路客运量短期预测方法进行研究,给出了预测系统的总体结构和预测算法,以协助运力配置、运力调拨,进而实现运力运量的平衡。     

基于云理论的公路网交通适应性评价方法

公路网的交通适应性既存在模糊性也存在随机性,但目前国内公路网交通适应性评价方法只侧重其中的某一方面,这显然是欠科学的。基于模糊理论和概率论的云理论具有同时处理模糊和随机问题的能力,并且过程简单,容易实现。研究了如何应用云理论来处理公路网交通适应性评价过程中的模糊性和随机性问题,设计了具体的评价步骤,并以湖北省恩施自治州和黑龙江省公路网为例给出了如何应用云理论进行评价的过程,评价结果表明与实际情况相吻合。与传统评价方法相比,本文提出的方法非常便于评价公路网的交通适应性,并且具有在给出评价结果的同时还能给出评价结果可信度信息的优点。     

区域公路OD流量预测新方法研究

公路交通OD流量预测是进行区域公路网规划、公路建设项目可行性研究的重要依据。传统的OD矩阵流量预测往往显得繁重和精度不高。本文研究以网络流观测数据为基础,利用极大熵模型推算出OD矩阵,以此作为计算过程的手段和参变量,考虑节点交通产生、吸引量的趋势增长及诱增增长,以此得出网络流的预测值。最后,通过扬州市公路交通部分OD对模型进行了验证。结果表明,该模型的运用能大大简化OD预测过程和提高预测精度,具有较高的实用价值。     

基于GBRBM-DBN模型的短时交通流预测方法

为提高城市道路短时交通流预测的精度和效率,提出了一种基于深度学习的短时交通流参数预测模型,结合高斯-伯努利受限波尔兹曼机、Softmax回归模型和深度置信网络,对大规模路网中地点车速进行预测.该模型在网络底层加入高斯-伯努利受限波尔兹曼机,将传统二值输入转换为连续实值输入以适应地点车速的数据特征.在网络输入、输出矩阵中加入时空特征表达,并将深度置信网络顶层接入Softmax回归模型,根据深度学习模型提取到的地点车速时空特征对多路段多时刻的地点车速进行预测.选取广州市大规模路网中60条路段60 d的实测地点车速对网络结构和参数进行调试,并分析预测结果.结果表明,GBRBM-DBN网络结构能够提取大规模路网中地点车速的时空分布特征,预测精度较高.与长短时记忆循环神经网络预测结果进行对比,具有更高的时效性;与“深层模型+小规模数据”相比,平均绝对误差减小10.13 km/h,平均相对误差减少14.5%;对输入矩阵中的训练集和测试集数据量比例作不同划分,平均绝对误差变化范围在1.64 km/h以内,平均相对误差仅增大7.3%.     

基于投影寻踪回归模型的短时交通量预测研究

准确有效地预测短时交通量是实施交通诱导及控制的前提与关键。投影寻踪方法能从不符合正态分布的或没有多少先验信息的数据本身中找出其结构或特征,并能在线性投影中解决非线性结构的问题。文中将投影寻踪回归算法理论应用于短时交通量预测领域,采用正交Hermite多项式拟合岭函数,并用C＋＋语言设计出相应模型的实现算法,对短时交通量实施滚动预测。利用某快速路实际观测数据进行预测实验,实验结果证实该方法具有可行性、可靠性,有一定的实用价值。