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。     

基于延迟坐标状态空间重构的短期交通流预测研究

交通系统是一个有人参与的，时变的，开放的复杂巨系统，具有高度的非线性和不确定性。混沌理论研究非线性动力学系统随时间变化的规律，本尝试用混沌理论对交通流进行分析和预测。本首先对交通流特性进行了分析，给出了交通流基本参数流量-速度-占有率的关系，并得出交通流特性平日和周末不同，应分别进行分析和预测的结论。本分别用互信息法和G-P算法确定了重构和空间中的重要参数（时间延迟，嵌入维和相关维），在此基础上重构延迟坐标状态空间，并用基于相空间重构的加权一阶局域预测法进行短期交通流预测，预测时间间隔为5分钟。用从上海延安路高架桥的感应线圈采集到的每隔5分钟的交通流数据进行验证，得到的预测结果和实际数据的误差很小，精度较高。因此，基于延迟坐标状态空间重构的短期交通流预测的方法是可行的。且结论是可信的。     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

交通流可预测性分析

交通流的可预测性是进行短期交通流预测的基础。本文首先判别了短期交通流的混沌特性，求解出表征交通流“蝴蝶效应”的最大Lyapunov特征指数，在此基础上按照交通流动力系统运动轨道的演化特点求解出最大可预测时间，但是交通流系统是开放的复杂巨系统，最大可预测时间涉及到的影响因素很多，论文分析了交通流历史数据样本的大小和数据中含有的噪声对交通流可预测性的影响和随着预测步长的增加，交通流可预测性的衰减特征，得出交通流可预测性是一个综合指标，不能仅仅以最大Lyapunov指数的倒数来确定，应综合分析考虑。论文得到的结果在实际的交通流数据中得到了验证。     

交通流速度时空二维预测方法

从时间和空间2个维度分析了交通流速度的自相关和互相关特性,提出了交通流速度的时空二维预测模型,可对未来交通流进行多步预测.该模型包含曲线拟合加权预测模型和递推时空二维自回归预测模型,动态模型参数可由递推最小二乘法实时识别,静态模型参数通过离线优化得到.将预测的交通流速度应用于车辆宏观运动规划方法中,可将车辆的燃油经济性...     

基于路段检测器布局的短期交通流预测模型

通过分析路段上各点以及交叉口之间交通流的内在联系,利用连续性和相关性原理,建立基于检测器布局的短期交通流预测模型.探讨了检测器布局的一般方法,阐述了布局位置对交通流预测结果的影响.根据路段上游、下游2点的检测器数据可建双点预测模型,能用于隧道、桥梁等特殊路段的短期交通流预测.根据路网上多个检测点的数据,可建立多点预测模型,各检测点的权重用F-AHP法确定,模型系数矩阵用最小二乘法标定.以重庆市某路段的交通量预测为例,分别用双点预测法和多点预测法进行了预测,并对预测效果进行了分析和比较.     

K近邻短期交通流预测

从分析短时交通流特性入手,利用非参数回归中K近邻的方法,对道路交通流量进行短期预测;采用贵阳市道路交通流量的实际数据进行验证。结果表明:K近邻非参数回归预测模型能较为准确的进行道路短期交通流预测,该方法可用于短期交通流预测。     

基于深度学习的短期交通流预测方法综述

针对基于深度学习的短期交通流预测问题,揭示了时空相关性建模本质,分析了建模过程中涉及的多尺度时空特性、异质性、动态性、非线性等特点,明确了基于深度学习进行短期交通流预测的核心挑战,阐述了短期交通流预测涉及的外部信息整合、多步预测与单步预测以及单体预测与集成预测等相关问题;按照网格化和拓扑化2种交通流数据组织方式,分别综述了当前最新的基于深度学习的短期交通流预测研究方向。研究结果表明：针对网格化交通流数据,当前研究主要包含了基于2D图像卷积神经网络、基于2D图像卷积神经网络与循环神经网络相结合、基于3D图像卷积神经网络3种预测建模方法;针对拓扑化交通流数据,当前研究主要包含了基于1D因果图像卷积与卷积图神经网络相结合、基于循环神经网络与卷积图神经网络相结合、基于自注意力与卷积图神经网络相结合、基于卷积图神经网络的时空同步学习4种预测建模方法;总体上,基于深度学习方法进行短期交通流预测相较于采用时间序列和经典机器学习方法获得了预测准确性上的极大提升;未来,针对物理理论、知识图谱与深度学习相结合,构建多时空数据挖掘大模型以及轻量化、可解释性、模型结构自动化搜索等维度的相关探索将成为重要研究方...     

短期交通流预测效果的模糊综合评判

短期交通流预测是智能交通诱导和交通管理控制的基础，预测效果的好坏直接关系到诱导信息和控制决策的正确性．运用标准离差法确定评价指标的权重，并依据最大隶属度原则建立了二级模糊综合评判模型，评判结果可用于判断各种短期交通流预测模型的预测性能，给智能预测系统中的模型选择提供了依据．     

����������ı�����· ��ͨ������Ԥ���о�

在总结交通流短期预M方法发展趋势的基础上，分别介绍了基于常规的BP神经网络和基于RBF神经网络的交通流量短期预测模型，并重点研究RBF网络模型的预测性能，确定了关健参数、的最优值.最后应用两种模型时北京环路实测交通流数据进行了预刚分析，实验结果表明，两种模型都可以满足实际交通流诱导的需要，BP模型在预则精度上稍优于RBF模型，但后者在学习速度和学习稳定性等方面明显优于前者.     

高速公路交通流的分形维数与相空间重构预测

对成渝高速公路短时交通流通过计算不同时间尺度下Hurst指数而等到其相应的分形维数,结果表明,时间间隔越短的交通流,其分形维数越大,结构越复杂.由于时间间隔越短的交通流随机性大和复杂的结构,所以预测也就越困难.提出了一种新的基于相空间重构和移动平均相结合的预测方法——移动平均最近邻域法,从理论与实际数据两方面分析和验证了该方法对短时交通流预测的有效性.     

高速公路交通流的分形维数与相空间重构预测

对成渝高速公路短时交通流通过计算不同时间尺度下Hurst指数而等到其相应的分形维数,结果表明,时间间隔越短的交通流,其分形维数越大,结构越复杂.由于时间间隔越短的交通流随机性大和复杂的结构,所以预测也就越困难.提出了一种新的基于相空间重构和移动平均相结合的预测方法——移动平均最近邻域法,从理论与实际数据两方面分析和验证了该方法对短时交通流预测的有效性.     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

���н�ͨ������̬�������μ����о�

城市交通网络形态和城市空间形态间的相伴相生，互动滋长的演化过程，客观上要求城市交通网络能够适应城市社会经济活动的需求，城市交通网络形态能够与城市形态相互匹配协调。对城市交通网络形态进行定量分析有助于科学地从数量上认识和把握城市交通网络形态，从宏观上规划和控制网络的发展趋势，使得城市交通网络更好地匹配城市形态，更加经济、合理、有效地支持和促进城市发展。本文从城市形态结构“增生和替代”的变化方式和城市形态“向外扩展”和“内部重组”的双重演变过程，阐述了城市形态和城市交通网络形态的互动滋长演变关系及其形态相似性；本文首次明确提出了城市交通网络形态计量问题，并根据分形几何学的基本原理，提出了容量维数、覆盖维数、阻抗维数和分枝维数四个分形维数指标，分别对交通网络的容量水平、出行服务覆盖状况、网络整体可达性及网络结构的复杂程度及其变化特征进行数学描述，建立了交通网络特征的分形计量方法。通过对北京、墨西哥和莫斯科三城市轨交网络的测算表明，该方法能够较好地刻画不同形态类型交通网络的主要形态特征。     

基于非线性时间序列分析的短时交通流特性分析

利用非线性时间序列分析方法对从时间一维角度出发对短时交通流的特性进行定性、定量分析。首先简要介绍了递归图和定量递归分析方法,以1min为间隔的实测交通流量数据为例,选取1d中不同的4部分,用递归图从定性方面可视化其动力学特性,然后用定量递归分析得到各部分的量化特征值,并对结果做出分析。结果表明短时交通流时间序列具有非线性、非平稳的特性,在不同的时段内分别具有随机性、混沌性和确定性。这一研究结果对短时交通流的预测具有一定的理论价值和实际意义。     

K近邻短时交通流预测模型

为了准确预测道路短时交通流,构建了基于K近邻算法的短时交通流预测模型。分析了K近邻算法的时间和空间参数,提出4种状态向量组合的K近邻模型:时间维度模型、上游路段-时间维度模型、下游路段-时间维度模型与时空参数模型。以贵州省贵阳市出租车的GPS数据对几种K近邻模型进行了检验。分析结果表明:带有时空参数的K近邻模型具有更高的预测精度,其预测误差最小,平均为7.26%。基于指数权重的距离度量方式能更精确的选择近邻,其预测误差最小,平均为5.57%。与神经网络和历史平均模型相比,带有指数权重的K近邻模型具有更好的预测精度,平均预测误差仅为9.43%。可见,带有时空参数与指数权重的K近邻模型可作为道路短时交通流预测的有效手段。     

�о����п��ٹ�·��ͨ���ķ�����ѧ����

分形几何是一门新兴的数学分支，它是一个研究和处理自然与工程中不规则图形的强有力的理论工具本文用分形插值函数的图象来表示随时间变化很强的交通流的曲线.首先，通过测量的交通流量的离散时间一流量坐标数据，用分形插值函数方法模拟交通流整体函数的图像.然后，应用分形插值函数的思想，根据交通流普遍存在统计上的自相似性，提出分形预测方法.最后，对以后的工作进行了展望.     

A MIXED LUBRICATION MODEL MODIFIED BY SURFACES'''' FRACTAL CHARACTERISTICS

Since 1978,theaverageflowlubricationmod el,i .e .Patir Chengequation[1] ,hasbeenwidelyusedinsolvingforthelubrication problemofabearingandthetribology systeminacylinder pis ton .However ,valuesoftheflowfactorsintheequation ,suchaspressureflowfactor ,aremeasuredonthebaseofroughness ,whichisvariablewithmeasuringscale .Since 1980s ,fractalgeometryhasgreatlydeveloped .Fractalistheintrinsicandglobalpropertiesofthematerialismwithfractalandinde pendentofameasuringscale .Also ,itwasverifiedthatsomemac…     

长江重庆主城段河流长度分维数与洪水的关系

应用分形理论对长江重庆主城段进行了分形标定。研究表明:长江重庆主城段河流长度具有二阶分维特性;河流长度分维数可以反映河道的弯曲程度,分维数越大,河道越弯曲;在同一河段,河流长度分维值越大,河流的泄洪能力越差,洪水发生的可能性和洪水的强度越大。     

两种短时交通流混沌预测方法分析

短时交通流预测是智能交通系统的核心内容和交通信息服务、交通诱导的重要基础。采用符合交通流特性的混沌理论对短期交通流进行预测。在相空间重构和混沌识别的基础上,建立短期交通流加权一阶局域预测模型和基于最大Lyapunov指数的预测模型,并对一组实际的交通流数据进行预测。仿真结果表明:两种方法都能较准确的预测交通流,但最大Lyapunov指数预测模型的预测精度相对较高。