基于投影寻踪神经网络模型的短时交通量预测研究

准确有效地预测短时交通流量是实施交通诱导及控制的前提与关键,但由于短时交通流量具有高度复杂性、随机性、非线性和不确定性等特性,导致预测难度高、准确度低、实时性差。基于此,文中综合利用投影寻踪技术和BP神经网络的优点,提出了运用投影寻踪回归模型和BP神经网络技术相结合建立组合模型的预测方法,并编写出模型的算法程序。将该组合模型应用于路段短时交通量的实时预测实例,实验结果证实该组合模型具有较好的预测能力和较强的时效性。     

城市道路交通量短时预测的GSVMR模型

在分析现有城市道路交通量短时预测方法缺陷的基础上,针对目前广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点,结合遗传算法容易寻找全局最优解与支持向量机回归法具有结构风险最小化的特点,提出了将两种算法相结合的GSVMR预测模型,该模型同时具有结构风险最小和容易寻找最优解的双重特性,并对某城市四车道主干道路8：00,8：45的交通量进行了预测,结果表明用该模型进行城市道路交通量短时预测所得结果误差较小,依此验证了用GSVMR模型进行城市道路交通量短时预测的有效性。     

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。     

基于季节ARIMA模型的公路交通量预测

为了提高公路交通量季节性预测的精度,在介绍一般ARIMA模型的基础上,推导出一种具有周期的季节ARI—MA模型的一般表达式,以及使用这种模型进行建模和预报的一般过程。在实证分析中,先用傅立叶周期分析法检验时间序列的周期性并求出周期长度,然后用Eviews软件对时间序列作平稳性检验以及实现模型的识别、建立、选择与预测过程。与三个常用季节预测模型：分组回归模型、可变季节指数预测模型和季节周期回归模型相比,季节ARIMA模型的预测精度最高。研究结果对于更为科学准确地预测公路交通量具有一定意义。     

基于贝叶斯组合模型的短期交通量预测研究

提出一种新的贝叶斯组合神经网络模型并将其应用于短期交通流量的预测。模型通过实时跟踪模型的预测表现,根据研究提出的分配算法不断调整模型的信用值,从而挑选并组合得到精度更高的预测模型。介绍了该模型的基本原理及在示范路网中的实际应用,通过选取反向传播神经网络和径向基函数神经网络,用以构造贝叶斯组合模型,并在测试数据集中进行了性能比较。计算结果表明：模型的预测性能整体上优于单一的神经网络模型,并且确保了模型预测的稳定性。     

基于聚类分析的非参数回归短时交通流预测方法

大部分非参数回归预测算法并不对交通流历史数据进行区分,而是将全部历史流量数据建立模式库进行分析.基于交通流的现实特征,提出基于聚类分析的非参数回归短时交通流预测方法,首先根据流量分布特点运用聚类分析将其分类成不同的流量模式,然后选择匹配待预测时刻的流量模式作为样本数据库运用非参数回归进行预测.实例计算结果表明,其预测精度优于传统非参数回归方法.      

基于数据流集成回归的短时交通流预测

传统的交通流预测技术使用静态和离线算法,无法对模型的参数值和内部结构进行在线调整.然而,交通流变化具有明显的动态性,其内在模式会随时间发生变化,导致构建好的模型准确度下降.针对上述问题,提出了基于数据流集成回归的短时交通流预测模型.将不断产生的交通流数据划分成数据块,每个数据块训练1个基础回归模型,然后加权组合为集成模型.通过不断训练新的基础模型,并置换出集成模型中准确度最差的基础模型,实现在线更新.在实测数据上的对比实验结果表明,与静态离线的BN模型相比,模型的均方根误差降低了19.5%,运算时间降低了48.7%,并能够快速适应交通状况发生明显变化的情况,适用于城市主干道路的短时交通流预测问题.      

基于重力模型预测诱增交通量方法研究

针对诱增交通量产生的最直观原因是交通阻抗的降低,通过分析诱增交通量的组成及特点,提出了一种基于交通生成的重力模型预测诱增交通量的方法,并以沪蓉国道宜昌至利川段高速公路交通量预测为例,对诱增交通量的预测进行实证研究。     

灰色经济计量学模型在交通量预测中的应用

交通量受到社会、经济、自然等多种因素的影响,作用机理繁复不明,且各地区交通调查资料不全给准确建模分析带来技术困难。鉴于灰色理论能分析缺少调查数据情况下复杂因素之间的相关性,线性回归模型可以较为明晰地对事物变化内在规律进行分析,本文尝试性地将农业领域的灰色经济计量学模型应用于交通量预测领域,基于河北省国道交通网年平均日交通量数据和社会经济统计资料建立交通量预测灰色经济计量学模型。研究表明,与其他预测模型相比,该模型具有更高的预测精度和理论合理性,并通过2007年实测数据验证了该模型的预测合理性和工程适用性。     

基于模式识别的短时交通流预测

实时准确可靠的短时交通流预测是智能运输系统的基础,有很多种方法被用来对交通流进行预测.基于模式识别的交通流预测方法是较新的预测方法之一.提出一个用于短时交通流预测的模式和对应的模式识别算法,并对城区道路的交通流做了实验预测,结果表明在趋势上较为准确.     

基于R树的非参数回归交通流预测方法

非参数回归在交通流预测中已得到广泛应用,但实际使用中存在实时性差的缺陷.为提高非参数回归预测速度,提出了使用空间索引结构R树作为模式库的存储结构,并依据R树空间聚类的特点进行K近邻搜索,最后根据搜索到的近邻点估算未来的交通流量.实验结果表明R树结构下的K近邻搜索速度比线性结构下的搜索速度提高了59.6%,但预测精度下降了8.8%.而通过缩小K近邻搜索中的距离上限这一参数,可以提高预测精度.结果表明当2种结构下的距离上限相同且小于0.02时,R树结构下的预测精度平均高于线性结构下11.9%,且搜索速度也平均提高了30.8%.因此,该算法能够在满足预测精度的条件下有效地提高预测速度,为实时短时交通流预测系统提供了1种实现算法.     

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。     

基于慢变量的交通客流预测模型

从影响交通客流分布的最主要因素——人口、能耗、区域面积出发,提出交通质量的概念,并基于它提出了新的交通发生(吸引)模型,参照万有引力定律对重力模型进行了改进。用实例将预测模型与传统的预测模型相比,说明模型的可行性和有效性。     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

基于投影寻踪的互通立交方案综合评价方法

基于投影寻踪算法的基本原理和求解过程,提出了互通立交方案设计综合评价方法。该方法直接从待评方案本身寻求各评价指标的客观权重,避免了主观评价方法评价指标权重存在着主观依赖性、评价结果受到人为赋权的干扰等问题。采用实码加速遗传算法对投影指标函数进行优化,求解最优投影方向向量,有效地解决了高维数据全局寻优的难题。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

基于粗糙集理论的短时交通流组合预测研究

为满足交通流诱导系统的理论需要,建立了一种基于粗糙集理论的实时交通流量组合预测模型。通过粗糙集理论来确定组合预测中的权系数,对路段的交通流做出短时预测。结合某路段的实际交通流数据,对预测模型进行仿真训练,经过比较分析,验证了该组合预测模型的有效性和实用性。