江西省公路货运量预测研究

分析各种货运量预测方法的优缺点,结合公路交通发展的特点,特别是公路货物需求的基础上,选用回归分析法、灰色预测法,对江西省公路货运量进行预测分析。通过灰色系统模型和线性回归的方法对江西省近9年的相关数据运用MATLAB进行分析,预测出江西省未来5年的公路货运量。     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

基于极限学习机的交通事故严重程度预测

极限学习机是单隐层前馈神经网络,作为BP神经网络的一种改进,极限学习机克服BP神经网络需要设置大量网络训练参数,并容易产生局部最优解问题的缺隐,交通事故严重程度的预测适合用极限学习机建模预测。研究选取某城市道路交通事故数据,利用基于LM算法(Levenberg-Marquardt)的BP神经网络和极限学习机建立事故严重程度的预测模型,随机选取80%的样本作为训练集、选取20%的样本作为测试集,对测试集的期望值和网络输出值进行比较,结果表明,极限学习机的预测性能比BP神经网络的要好。     

基于混沌理论对公路货运量预测方法的研究

利用混沌理论对公路货运量的预测方法进行了分析,比较了现代常用的公路货运量预测方法的优缺点,研究了混沌理论对公路货运量的预测基本原理,构思短中长期货运量预测方法的可行性,并提出了研究方法和途径。     

黑龙江省公路货运量灰色模型预测研究

利用黑龙江省公路货运量时间序列信息,根据灰色系统理论,建立黑龙江省公路货运量预测模型,为管理部门把握行业管理的主动权提供依据。     

牡丹江农垦分局公路货运量的预测分析

SPSS软件是公认的最优秀的统计分析软件包之一，除做常规的各种统计外，常常用来做一些预测分析。在牡丹江农垦分局公路货运站规划中，利用牡丹江农垦分局公路货运量和货运周转量历史数据，充分利用了SPSS软件的预测分析功能，对牡丹江市未来特征年的货运量和货运周转量进行了预测分析，以此为当地的交通发展和交通规划奠定基础。     

基于极限学习机的公交行程时间预测方法

以公交车GPS数据为基础,建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现,定义了公交车到站临界点,并分析了临界点处车辆的5种运行状态;提出了公交车到站时刻估算方法,进而得到公交车行程时间数据;通过分析公交车行程时间数据内在特征,确定了极限学习机模型关键参数及其纬度;最后,以长春市88路公交车GPS数据为基础进行了方法验证.结果表明,所用ELM方法预测误差约为11%,并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析,发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.     

基于多种模型的黑龙江省公路货运量组合预测

利用黑龙江省公路货运量时间序列信息,基于多种模型对黑龙江省公路货运量进行组合预测,为管理部门的决策提供依据。     

基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性.另外,计算结果表明基于主成分分析(PCA)的BP神经网络法优于BP神经网络法.     

基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性。另外,计算结果表明基于主成分分析（PCA）的BP神经网络法优于BP神经网络法。     

基于改进极限学习机的公交站点 短时客流预测方法

以公交车IC 卡和GPS数据为基础,提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系,定义了站点间距,并分析了站间距和车辆到总站距离间的联系;提出了公交乘客上车站点确定方法,进而得到公交站点上车客流量;通过分析公交客流数据特征,确定ELM输入参数维度,并采用IPSO 算法找到ELM的最优隐含层节点参数;最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内,并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析,发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于改进极限学习机的公交站点短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于模糊线性回归模型的公路货运量预测方法

确定了公路货运量的影响因素分别为GDP、人口数量、社会消费零售总额和农副产品产值, 构建了基于模糊线性回归模型的公路货运量预测方法。以延安市公路货运枢纽规划为实例, 1995~2004年的货运统计量作为因变量, 确定了模型的模糊系数。以2005~2010年的货运统计量作为验证值, 分析了模型的拟合精度, 并将模糊线性回归模型的预测结果与指数平滑法、灰色模型、弹性系数法3种常见预测方法的预测结果进行比较。研究结果表明: 在模糊线性回归模型中, t检验的平均值为0.673 07, 说明预测值与实际值差异不显著, 模型预测效果较好; 4种方法的平均相对误差分别为0.073 1、0.100 3、0.167 8、0.232 9, 可见, 本文方法误差最小。     

基于主成分回归的公路客运量预测模型研究

运用主成分回归分析法,将影响公路客运量的众多相关因素简化为少数不相关因素,消除因变量过多导致的多重共线性,可构建公路客运量预测模型。实例证明,该模型具有较高的精度,适合影响因素指标发展较为明确的客运量短期预测。     

基于主成分回归的公路客运量预测模型研究

运用主成分回归分析法,将影响公路客运量的众多相关因素简化为少数不相关因素,消除因变量过多导致的多重共线性,可构建公路客运量预测模型.实例证明,该模型具有较高的精度,适合影响因素指标发展较为明确的客运量短期预测.     

公路货运量预测的系统动力学模型构建

用系统工程的观点对公路货运系统进行了综合、动态的分析,在具体分析公路货物运输系统主要影响因素的基础上,分别构建了道路运输需求及供给的子系统动力学模型,该模型可以通过计算机进行模拟,进行公路货运量的预测。     

基于改进灰色-马尔可夫链方法的公路货运量预测

科学的货运量预测对公路发展战略的制定具有十分重要的意义．针对灰色模型的预测结果精确度受原始数据变化幅度的影响较大,且要求累加生成的数据列具有指数性质的缺点,采用带波动的多项式来替代GM（1,1）模型中的指数形曲线,并通过马尔可夫链对其预测结果进行修正,从而建立改进的灰色-马尔可夫链预测模型,同时利用该改进模型对我国公路货运量进行预测,经分析表明预测结果具有较高的精度,预测方法具有一定的可行性和有效性,预测结果可指导公路建设与管理．     

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。