基于双线性递归神经网络的交通流量预测方法

为了提升城市道路智能交通控制和管理的合理性和有效性,从交通流时空特性角度出发,提出基于优化双线性递归神经网络的城市道路交通流量预测方法。该方法有效结合双线性多项式快速准确求解和递归神经网络的动态校准的特点,采用粒子群算法实现冗余神经元和权值的动态剪枝过程,提升了算法的收敛速度和预测精度。采用视频数据对算法进行训练和实验,并进行对比分析。结果表明：该方法能够实现对道路交通流量的准确预测,交通流量预测精度达到90％以上,满足实际交通管理和控制的数据精度要求,同时算法的收敛速度也有明显的改善。     

基于小波分析与隐马尔科夫模型的短时交通流预测

鉴于当前的城市交通拥挤不堪的现状,以及现阶段道路交通流预测时间消耗过长的弊端,将小波分析引入到城市短时交通流预测过程中,结合隐马尔科夫训练,提出一种基于小波分析的隐马尔科夫训练交通流预测模型。文章以新乡市交通局公交汽车数据和出租汽车数据作为数据来源,应用小波分析和隐马尔科夫相结合的预测模型进行预测,随后将预测结果同传统的隐马尔科夫模型所预测的结果进行对比分析。实验表明,本模型预测结果精确,与真实数据更为贴近,同时有效的降低了交通流预测的时间损耗,在短时交通流预测方面更加具有优越性。     

基于不同优化算法的隧道洞口段拱顶沉降SVR预测模型及其比较评价

准确预测隧道洞口段沉降变形是保障安全进洞的重点工作，如何解决输入层维度高的问题以及准确描述机器学习预测模型的性能意义重大。因此，将主成分分析法（PCA）、优化算法和支持向量回归机（SVR）相结合，提出6个基于PCA和优化算法的SVR组合预测模型。首先，通过PCA筛选影响拱顶沉降的主要因素；其次，采用遗传算法（GA）、粒子群算法（PSO）和灰狼算法（GWO），对SVR的惩罚因子和核参数进行寻优；最后，将组合预测模型应用到温州市石鼻头隧道，采用相关性系数（R）、均方根误差（RMSE）和平均绝对误差（MAE）对预测模型的性能进行比较评价，并构建模型查询表。结果表明：组合预测模型均有较高精度，R≥0.987 0,RMSE≤6.792 4 mm,MAE≤3.493 7 mm;PCA降维后，GA优化后的SVR预测模型的预测效率提高了65%,PSO和GWO优化后的SVR预测模型减少了输入层维度，但需要更大的k值，降低了预测效率，PCA-GWO-SVR模型尤为明显；PCA-PSO-SVR预测模型的鲁棒性更强。     

基于LS-SVM的天然气管网负荷组合预测

针对现有组合预测模型,基于经验风险最小化原则,克服预测精度受组合模型限制的缺点,提出一种基于最小二乘支持向量机（LS-SVM）的天然气管网负荷组合预测模型,并与AR模型、BP神经网络模型、GM（1,1）模型以及最优权重组合模型进行了比较,得出基于最小二乘支持向量机的天然气管网负荷组合预测模型能够得到更高的预测精确度,可为天然气管网的安全运行以及优化调度提供决策支持的结论。     

时空特征深度融合下的城市轨道交通站点客流预测

探索挖掘URT站点客流时空特征并精准预测运营高峰期的站点客流，对提高URT系统客流组织效率、保障乘客出行安全具有重要意义。针对传统模型对于时空特征挖掘不够以及在多步短时客流预测的精度上有待提升等问题，引入时段相关性及站点关联度以量化客流隐式时空特征，并建立一种结合双层图卷积神经网络（GCN）与门控循环单元（GRU）的dmGCN-GRU短时进站客流预测模型，随后以杭州地铁为例，对工作日数据和非工作日数据分别进行了仿真实验。结果表明，dmGCN-GRU模型能够深度融合时段相关性、站点关联度、站间OD、邻接矩阵等多重时空特征，可在增加一定训练时长的前提下提高预测精度、模型稳定性。随预测步长增加，模型性能虽有所下降，例如工作日数据拟合优度从94.68%降至94.27%，但性能仍优于SVR、GRU、GCN以及GCN-LSTM等模型。     

基于SVM-BP神经网络组合模型的高速公路出口流量预测

为了给高速公路交通流精准预测提供更准确的方法,本文利用济南西高速公路出口早晚高峰流量数据,采用SVM-BP神经网络组合模型进行短时交通流预测,并对单一的SVM（支持向量机）模型、BP神经网络模型和组合模型的预测精度进行比较和实证分析。当样本数量小于或等于120时,结果表明：(1)误差对比：当样本数量大于22时,由于预测集与训练集数据分布本身存在差异且SVM模型训练完成后过于复杂导致三种模型的误差逐渐变大。(2)预测精度：组合模型>BP神经网络>SVM,组合模型的平均绝对误差（MAE）提高了6.85%,远高于其他单一模型,验证了组合模型的有效性。     

基于K-means与GRNN的高原山区高速公路短时交通流预测

为了研究可适用于高原山区高速公路短时交通流的预测方法,以及预测方法思路对绩效的影响,提出基于广义回归神经网络（General Regression Neural Network,GRNN）,构建K均值聚类算法（K-means clustering algorithm,K-means）与GRNN混合预测方法思路,即通过K-means和绩效指标判断GRNN模型参数最佳值,进而建立最佳预测模型。与传统上通过经验或一定指标判断模型参数值的思路相比,采用K-means和GRNN混合预测思路得出的模型参数值更佳,且模型RMSE、MAE最高可分别改善45.92%、45.05%,则构建的混合预测方法思路是科学有效的,可为高原山区交通流预测方法优化提供借鉴。     

基于组合预测模型的铁路客运量预测研究

为提高铁路客运量的预测精度,对组合预测模型的权重分配方法及组合方式的预测效果进行研究。综合考虑预测误差及其均方差的影响,构建基于Logit模型的权重分配模型以解决组合预测模型的权重分配问题,并提出模型求解算法。以北京市铁路客运量预测为例,研究BP神经网络、霍尔特线性趋势指数平滑法和ARIMA模型的多种组合方案的预测效果,并验证基于Logit模型的权重分配模型的优势。研究结果表明：线性与非线性预测模型组合的预测精度优于线性与线性预测模型的组合,其中,B-H-A模型的组合预测效果最好,误差低至0.606%。另外,通过与等分权重法对比,基于Logit模型的权重分配模型赋值的权重能提高组合预测模型的预测精度,且适用性更好。     

城市道路交通噪声的预测与分析研究

基于道路交通噪声评价指标的选择,通过运用噪声测量基本方法,对呼和浩特市区主要交通干道的交通流及交通噪声实地测量,并就已得到的城市道路交通噪声预测模型的预测值与实测值进行了较全面的对比分析。     

基于PSO-LSTM算法的智能交通流量预测研究

交通流量本身具有很强的不确定性,复杂、多变,容易受到随机因素的扰动,并且规律性不明显。随着不同预测方法的引入,对短时交通流的预测也出现了许多预测模型。长短期记忆模型擅长于处理和预测时间序列中具有时间间隔和延迟相对较长特征的重要事件。粒子群算法是一种通过模拟鸟群捕食行为设计的随机优化技术。本研究引入粒子群算法优化长短期记忆模型,使用昆明市某个路口断面所采集的过车数据作为训练集和测试集。本研究使用matlab软件进行上述模型的建模和预测,使用均方误差模型进行预测模型的误差分析。结果表明,引入粒子群算法优化模型后,预测误差降低60%,PSO算法优化LSTM模型能够更为准确的预测交通流量。     

基于遗传算法的BP神经网络短时交通流预测

对BP神经网络模型、方法及遗传算法的基本原理进行了分析,将遗传算法与标准BP神经网络算法相结合构建了基于遗传算法的神经网络算法;建立了基于BP神经网络的短时交通流预测模型,对BP神经网络算法及基于遗传算法的BP神经网络算法进行设计,并将其应用于短时交通流预测模型的仿真计算,仿真结果表明基于遗传算法的BP神经网络算法具有更快的计算速度及更好的适应能力,该方法可以较好地应用于短时交通流预测。     

灰色BP网络串联式组合模型在铁路客货运输量预测中的应用

针对铁路客货运输量发展趋势的研究,建立一种基于灰色理论和BP神经网络的串联式组合预测模型。该模型首先用同一组数据序列建立不同参数的灰色方程,然后用各灰色方程分别预测,最后将各灰色方程预测的结果进行BP神经网络非线性组合,形成串联式组合预测模型。对湖南省铁路客货运量进行分析预测,结果表明:该组合模型预测的准确性高于单独使用灰色模型的准确性,是一种可靠有效的预测方法。     

基于GM(1,N)及神经网络的崇左铁路货运量预测

运量的预测是崇左地区铁路及物流业规划极其重要的依据。文章基于对崇左地区铁路运量影响因素的分析,利用灰度GM(1,N)预测模型对铁路运量上限进行预测,并建立BP神经网络预测模型对近年来崇左地区的铁路货运发生量进行预测,得到2014年铁路货运预测发生量及货运量上限。预测模型与实际数据拟合程度极高,且模型稳定,可根据模型及2015年规划基础数据对崇左地区铁路运量进行稳定预测。     

高速公路交织区汇入行为预测研究

构建高速公路交织区汇入决策模型，准确预测车辆汇入行为可以有效地减少汇入风险，缓解因不恰当汇入行为导致的高速公路拥堵。本文提出一种基于CART分类树的车辆汇入行为预测模型，基于NGSIM车辆轨迹数据并综合选取14个影响汇入行为的特征变量对模型进行验证与分析。由预测结果可知：模型的预测效果较好，泛化程度较高，其分类准确率，真正类率和真负类率分别为98.4%,98.5%和94.7%；与二项逻辑回归模型及支持向量机模型预测结果进行对比，分析结果表明CART分类树模型在预测交织区汇入行为上具有更高的准确率与正确率，并表现出更优异的性能。由变量敏感性分析结果可知：汇入车辆速度、辅助车道上前车与主体车辆之间的距离、主体车辆的超车时间等对交织区汇入行为具有重要影响。     

基于METANET模型的车道级可变限速控制研究

可变限速控制是一种应用广泛的主动管理方式，能够提高车辆的通行效率和安全性。现有研究集中在对多车道路段不区分车道进行限速控制。事实上，不同车道的交通状态有所不同，且换道行为本身也会对交通流造成影响，进而影响限速控制的效果。本文基于METANET模型，提出一个新的高速公路多车道交通流模型。以总行程时间最小和总周转量最大作为目标函数，建立了车道级可变限速控制模型。利用MATLAB数值仿真的方法，基于真实交通数据对所提出的模型进行了评价。研究结果显示，相较于整体可变限速控制，车道级可变限速控制使车辆总行程时间减少了5.9%，总周转量提高了6.8%，证明本文提出的模型能够更进一步提升高速公路通行能力、缓解交通拥堵。     

基于EMD-APSO-SVR组合模型的铁路货运量预测

为了提高铁路货运量预测的准确性,减少类似新冠疫情这样突发事件对现有预测结果的不稳定影响,提出一种基于EMD和APSO优化的SVR组合预测模型。在综合考虑铁路货运量受GDP、铁路营业里程、原煤产量、钢材产量、第二产业增加值以及新冠疫情等因素情况下,对选取的货运量序列进行EMD处理,得到不同时间尺度下的IMF和残差;通过APSO优化SVR模型的参数,并利用优化后的组合模型对各IMF分量分别进行预测,相加得到最终结果。将APSO-SVR模型与EMDAPSO-SVR模型的预测状况进行对比,结果表明,本文建立的EMD-APSO-SVR模型的预测结果误差更小,其预测值与真实值的测定系数高于APSO-SVR模型;前者的平均绝对百分比误差仅有0.22%,能有效提升铁路货运量短期内的预测精度。     

基于MIMIC模型的私家车位共享意愿分析

调动居住区潜在停车资源，是应对城市停车难问题的有效解决方案。为分析私家车位拥有者车位共享意愿的影响因素，在整合技术接受模型和计划行为理论基础上，新增感知效益与感知风险两个变量，分析潜变量之间的影响机理。基于成都市问卷调查数据，构建多指标多因果模型（MIMIC），从个人社会经济属性与心理潜变量两个角度，分析车位拥有者针对不同共享方案的共享意愿。研究得出，新增潜变量对共享方案选择意向有显著的直接或间接影响，且车位业主的社会经济属性对模型中潜变量有不同程度影响，这些属性包括性别、教育程度、对共享概念的了解程度，以及车位产权情况等。对车位业主异质性的识别可有助于针对性地引导推广居住区车位共享。     

紧邻大型深基坑的地铁隧道沉降预测方法研究

针对紧邻大型深基坑的地铁隧道因其变形影响因素复杂、变形控制严格而难以准确预测其沉降变形的问题,文章引入对小样本、复杂、非线性数据具有优越预测性能的支持向量机理论,并利用蚁群优化算法搜索支持向量机最优参数组合,建立了优化的支持向量机预测模型。应用该模型对南京市地铁1号线某段隧道的预测结果表明,该模型预测精度高,能够准确反映隧道变形趋势,可以满足紧邻大型深基坑地铁隧道沉降预测的要求。     

基于PNN模型和RF模型的沥青路面使用性能预测研究

如何准确地预测评断沥青路面使用性能,对于道路养护起着至关重要的作用。为了提出更为准确的路面使用性能评价方法,在规范所提出的评价指标的基础上,以临沂市的沥青路面使用评价相关数据为研究对象,分别基于概率神经网络（PNN）模型和随机森林（RF）模型,构建沥青路面使用性能预测模型,以此为沥青路面使用性能状态预测、科学制定沥青路面养护决策提供参考。     

基于Python与Tensorflow的交通信号决策系统

为改变目前我国道路信号配时方案与实际交通流不匹配的情况,提高道路交叉口的通行能力,增加绿灯的使用率,提出基于Python与Tensorflow的交通信号决策系统。介绍交通信号决策系统的整体框架及各个模块的层次关系,详细说明每部分的原理及实现方法。通过Python在互联网上实现实时交通数据自动采集,将搜集的数据分类存储。采用TensorFlow框架建立车速预测模型,通过机器学习不断调整优化模型。根据优化后的车速模型预测未来交通流状态变化趋势,交通信号决策系统能够在不同的交通流状态下自适应决策采取不同的绿波信号配时方案。通过VISSIM仿真结果表明,交通信号决策系统能够显著降低道路的拥堵程度,有效降低了道路机动车的停车次数和停车延误,极大地提高路网的运行效率,增大区域协调控制系统的自动化。