城市道路短期交通流时间序列特性分析

以关联维数作为混沌判据,采用改进的替代数据法对采样周期为3 min的实测交通流时间序列进行了混沌判别,表明该时间序列的短期交通流中存在混沌现象。由于所采用的时间尺度更接近实际交通控制的最大周期,使得基于混沌理论的短期预测结果更适于实施交通控制和诱导。     

城市道路交通噪声的混沌特征及其应用

通过采集城市道路特征断面的交通噪声,形成时间序列,采用自相关函数法计算延迟时间,当相关系数衰减为0.4时,计算得到相空间重构的延迟时间为12。利用两组噪声样本的训练集计算关联维数,当嵌入维数为6时,关联维数保持不变,确定系统的嵌入维数为3,从而判定两组交通噪声样本存在混沌特征。根据重构的相空间、状态点及临近点计算拟合参数,分别对两组噪声样本进行混沌预测,并与检验集比对,结果表明:混沌模型可以用于短时城市道路交通噪声预测,两组噪声样本的预测平均相对误差分别为8.56%和9.33%。     

综合混沌相空间重构与相似性原理的铁路客流量预测

重构相空间理论对我国铁路客流量数据时间序列进行相空间重构,通过计算分形维数和提取最大Lyapunov指数,分析得出了铁路客流量时间序列数据的演化具有混沌特征,结合我国铁路客流量在全年中的波动特点,提出适合我国国情的综合混沌相空间重构与相似性原理的铁路客流量预测算法.该算法能自动参考过去相似年度同期的客流量变化趋势,对预测值进行智能化调整.通过以某火车站客流量为预测对象进行验证,结果证明了该预测算法的准确性和实用性.     

不等维递推灰色模型在交通量预测中应用研究

由于过去交通量统计资料的缺乏、观测数据的离散性等原因,惯常的交通量预测理论与方法得到的预测结果相关系数比较低。本文提出的不等维递推灰色模型在交通量预测中可以有效的处理贫信息、离散信息,得到较好的预测结果,并且在交通量的中、长期预测中要优于常规预测模型。     

辽宁省典型公路交通数据调查研究

根据"辽宁省交通轴载调查系统"采集的交通数据,整理分析得出辽宁省各典型公路路段交通量在时间及空间上的分布情况,得到交通量预测所需的各断面交通参数,包括交通量小时分布系数、交通量月调节系数和方向系数等,分析交通荷载分布特性。     

基于混沌-小波神经网络的公交客流量预测模型研究

为提高公交客流量预测的精确度,将混沌理论和小波神经网络方法相结合应用于公交客流量预测。分别采用自相关法、伪最近邻域法计算公交客流量时间序列的时间延迟、嵌入维数,采用小数据量法计算其最大李雅普诺夫指数,证实该时间序列具有混沌特性。据此建立混沌-小波神经网络预测模型,进而对H省某市实际公交客流量进行预测。实验结果表明,相比于传统的BP神经网络预测法、LIBSVM预测法,该方法在均方误差(MSE)、平均绝对误差(MAE)、平均相对误差(MRE)上均具有更小的预测误差,因而可以有效地预测公交客流量。     

基于混沌高效遗传算法优化SVM的交通量预测

针对交通量预测本身所存在的小样本、非线性和复杂性等特点,利用支持向量机建立了基于RBF核函数的SVM交通量预测模型,采用基于混沌映射和加速遗传算法的混沌高效遗传算法对SVM模型参数C,ε和δ2进行优选,结合某市1978～2008年交通量实测资料进行了仿真验证,与GA-SVM模型和BP神经网络模型的仿真预测结果对比表明:该模型取得了较好的预测效果,可有效应用于城市交通量的预测.     

海浪水压场的混沌特性分析及预测模型

海浪水压场作为水中兵器水压引信最严重的干扰源,对其混沌特性进行研究具有极为重要的意义.依据判断系统是否具有混沌特性的2个重要指标:关联维数和最大Lyapunov指数,分别通过G-P算法和小数据量的Wolf算法进行了计算.对一定数量的海浪水压场数据所进行的计算表明,海浪水压场具有分数的关联维数和正的Lyapunov指数,表现出明显的混沌特性.在此基础上依据混沌信号的相空间重构理论使用支持向量机对海浪水压场进行了预测建模,结果表明非线性混沌模型较常规的线性AR模型具有更高的预测精度.     

基于混沌吸引子的时间序列预测方法及其应用

介绍相空间重构技术以及混沌吸引子的关联维数的计算方法,阐述了基于混沌吸引子的特性基础上的预测原理及预测模型,指出了已有预测模型的不足,提出改进意见并给出具体算法。然后,用Lorenz 系统所产生的时间序列作为样本,进行了预测,给出了3种模型的预测结果,并作了比较。最后,指出了还存在一些相关问题。     

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。      

交通影响评价中交通量预测算法的实例检验

采用实例分析对交通影响评价中传统的交通量预测算法进行检验.利用某大型项目2004年的预测交通量与2009年调查交通量进行对比,验证了传统预测算法模型及参数的正确性,并对存在的偏差进行原因分析及提出建议,为交通影响评价中预测的准确性提供理论依据.     

���ڻ���ʱ�����з������Ķ�ʱ��ͨ��Ԥ���о�

交通流预测分析已成为智能交通的核心研究内容之一。依据混沌时间序列分析方法,建立了短时交通流的预测模型。在对实测的交通流数据进行相空间重构的基础上,综合考虑欧氏距离和均等系数,提出了最邻近点的两步优化选择方法,并采用了局部多项式拟合方法对所选取的最邻近点进行逼近以求得预测公式。本文将此方法运用于东莞东江大道流量预测,比较预测流量和实测流量,得出最大相对误差为0.445％,最小相对误差为0.038％,且单步预测时间仅为38.52秒。结果表明,该预测模型具有较高的精度,同时也能够满足实时性的要求。     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型（Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM）.首先支持向量机（Support Vector Machine,SVM）参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化（Particle SwarmOptimization,PSO）算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于梯度推进决策树的日维度交通指数预测模型

城市交通运行监测和预测是掌握交通运行变化特点,制定缓解交通拥堵策略的重要工作,其结果能为公众提供有效的路况信息,亦为政策措施的制定和效果评估提供重要支撑.有别于传统的短时交通预测,本文提出的预测模型不是针对相邻时段的运行状态预测,而是更长跨度上,针对日级别高峰时段交通运行状态的预测.构建了包含时间周期、特殊天气、节假日、限行、大型活动等因素的多维度影响因素集;以长期历史交通指数构建数据训练集,提出了基于梯度推进决策树的日维度路网状况预测模型.应用最优模型进行验证,结果表明,模型预测精度可达 90%以上,与其他 4种回归模型的对比分析也显示,本文所提出的模型在各项评分中均表现最优,说明其更适合于大样本、多因素的回归分析.本文所提出的日维度预测模型对提升城市路网运行质量、缓解交通拥堵具有重要的应用价值.     

公路交通安全评价方法与体系

交通事故是人、车、路和环境动态系统失调的结果.根据我国的交通特点、地形特征和交通动态系统中人、车、路及环境的交通特性,着重从“路”方面,研究提出与我国交通特色相适应的公路交通安全评价方法,事故相对多发路段判别方法、双车道公路交通安全性预测模型、双车道公路交叉口交通安全性预测模型和高速公路交通安全性预测模型,以及建立公路交通安全评价指标体系的三个层次.     

基于分段学习的BP神经网络的交通流量预测

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳方案,实时、准确的交通流量预测是智能交通系统实现的关键技术之一。本文采用改进型BP神经网络建立起交通流的时间序列模型,该模型可用于短期内道路交通流量的预测。     

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.     

基于 FHWA 模型与交通流仿真的道路噪声预测方法研究

以美国FHWA噪声模型为基础,以VISSIM软件为交通流预测平台,给出了基于FHWA模型与交通流仿真的道路噪声预测方法,实现了通过现状调查数据对拓宽后路段进行噪声预测的目的;并以南京航空航天大学附近的一段双向6车道的高速路作为研究对象,结合实际路况及统计学理论对噪声预测模型进行修正,修正模型的预测结果与实测值的误差在1．5 dB范围内,匹配性良好;在对拓宽后的道路噪声预测后发现：道路拓宽之后的噪声值总体呈增高趋势;交通量增加之后,噪声值进一步加大;另外,虽然大中型车在交通量中占据较小的比例,但对交通噪声值的大小起决定性作用．     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流,缓解高速公路交通拥堵现象,本文提出一种考虑多特征的高速公路交通流预测模型。首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵,并利用滑动窗口模型获得输入样本的最佳长度;然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征,随后输出预测结果;最后,将某高速公路交通流数据用于工作日和节假日两组实验。结果表明：集成深度学习模型比单一模型预测高速公路交通流的效果要好,工作日的高速公路交通流预测精度远高于节假日,本文模型将平均绝对误差由 6.40辆·(20 min)-1 降到5.450辆·(20 min)-1,说明考虑多种因素可以提升高速公路交通流预测精度。     

����ģ���߼��Ľ�ͨ�¹�Ԥ�⼰Ӱ�����ط���

交通事故预测对于提高交通安全管理水平具有重要意义,通过对传统交通事故预测方法的对比分析,提出了基于模糊逻辑的城市道路交通事故预测模型,并结合哈尔滨市133条主次干道的交通及交通事故数据对模型进行了训练及检验,最终确定了含有41条有效模糊控制规则的模糊逻辑预测模型。模型检验结果表明,应用模糊逻辑预测模型预测得到的事故数与实际事故数之间有很好的对应关系。因此,采用模糊逻辑理论进行道路交通事故预测具有一定的可行性。此外,依据模糊逻辑事故预测模型提出了安全改进因子的概念,可据此查明高风险道路上的突出事故影响因素,从而为改善交通安全提供合理建议。