���ڻ�ɫ�в�GM(1,N)ģ�͵Ľ�ͨ�����ݻָ��㷨

交通检测器采集的原始交通数据的质量会直接影响智能交通系统的后续效益.本文针对采集的交通数据普遍存在的故障问题,以交叉口检测器的交通流数据为研究对象,提出基于灰色残差GM(1,N)模型的数据修复算法.首先针对交叉口四个路口的交通流进行灰色相关分析,然后建立灰色GM(1,N)模型对故障数据进行预测修复,并进行了残差修正,提高了修复数据的精度.分析结果表明,提出的故障数据灰色残差GM(1,N)模型算法是可行的,可以更好地解决因为数据故障而对后续处理带来的困难,同时也为其他领域的故障数据修复提供借鉴.     

道路交通事故预测中的灰色预测GM(1,1)模型

针对交通事故发生的特点，探讨了灰色模型GM(1，1)在道路交通事故预测中的具体应用，介绍分析道路交通事故的灰色性的基础上，建立了基于灰色预测理论的GM(1，1)模型，并用其分别对道路交通事故的死亡人数、交通事故量进行了预测，其结果是可信的。GM(1，1)模型是最常用的一种灰色模型，它对于“不确定问题”的研究的主要意义是通过信息覆盖，构造生成序列的手段来寻求现实现象中存在的规律，可以相对减少对历史数据的依赖性和“少数据建模”的特点。它尤其适合于交通事故预测这样“小样本”的随机不确定问题。     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中,采集设备稀缺或故障等原因造成路网交通流量数据缺失问题,提出基于对称残差U型网络(Residual U-Net,RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作,构成可供卷积操作的张量数据格式;利用RU-Net编码解码能力,对交通流量数据进行编码;在解码过程中保持失真度较小,使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升,压缩率降低,提升模型修复精度.实验结果表明,RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系,在不同数据缺失率,不同缺失模式下,高效地完成对大规模路网交通流量数据的修复.     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中,采集设备稀缺或故障等原因造成路网交通流量数据缺失问题,提出基于对称残差U型网络(Residual U-Net,RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作,构成可供卷积操作的张量数据格式;利用RU-Net编码解码能力,对交通流量数据进行编码;在解码过程中保持失真度较小,使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升,压缩率降低,提升模型修复精度.实验结果表明,RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系,在不同数据缺失率,不同缺失模式下,高效地完成对大规模路网交通流量数据的修复.     

基于生成式对抗网络的路网交通流数据补全方法

交通信息的完整性直接影响着城市交通管理的效率.针对城市道路交通中因路段检测器覆盖不全或设备损坏等造成的流量检测数据缺失问题,本文提出基于生成式对抗网络 (Generative Adversarial Network,GAN)算法的交通流量数据补全方法.首先,以路段实际流量为基础,进行图像化处理生成路网二维信息图;其次,计算考虑时空信息补偿的路网关联矩阵,利用GAN算法分析并实现路网二维信息图缺失部分的补全,进而得到路段交通流量的完整数据;最后,利用实际数据,对比分析了本文方法与相空间重构的卡尔曼滤波方法对缺失数据的补全情况.实例分析结果验证了本文方法的可行性和有效性.     

基于灰色残差GM（1，1）模型的道路交通量预测的研究

道路交通体系是一个多因素、多层次、多目标的复杂系统。其中交通量信息系统具有明显的层次复杂性,结构关系的模糊性,动态变化的随机性,指标数据的不完全和不确定性。由于技术方法、人为因素、自然环境变化的影响,造成各种数据误差、短缺甚至虚假现象,系统的作用机制不明确,系统的状态、结构、边界关系难以精确描述,属于典型的灰色系统。在作量化、模型化、实体化研究时,能作为反映系统主要动态特征的数据是很少的。由于环境对系统的干扰,系统信息中原始数据序列往往呈现离乱情况,离乱数列即为灰色数列或称灰色过程,灰色理论利用那些较少的或不确切的表示系统行为特征的原始数据序列作生成变换后建立微分方程,对灰色过程建立的模型称为灰色模型（Greymodel）,简称GM模型。本文从理论上介绍了GM（1,1）模型和灰色残差GM（1,1）模型建立的一般过程,然后将其应用于交通量预测的实际例子中。预测结果表明,该方法是可行的。     

灰色GM(0,N)法在轨道交通噪声预测中的应用

以实测样本数据为基础,根据灰色系统理论对列车车速、距轨道中心的距离两个因素进行灰色关联度分析,发现前者对线路侧方噪声级的影响要强于后者;分别建立线性回归模型和GM(0,N)模型,将预测值和实测值进行比较,发现灰色GM(0,N)模型的预测方法性能良好,是一种优秀的噪声预测方法.研究成果对轨道交通噪声影响因素的主次识别、降...     

GM(1,1)模型在交通事故预测中的应用研究

道路交通事故每年都给我国带来了巨大的人员伤亡和经济损失,如何预防交通事故已成为公安和交通部门亟待解决的问题.在灰色预测理论与方法中,利用累加生成和微分方程描述的GM(1,1)灰色模型,在一定预测时段内具有良好的预测精度和实用性,但对于中长期的预测,其预测值与统计值存在较大的误差,故从模型构造上分析其存在的不足,可为该模型的改进指出方向.     

多模式混合交通网络流星分配模型及算法

在现代城市交通系统中,由于有多种交通模式存在,出行者通常采用从一种交通模式换乘到另一种交通模式的方法来节省时间和金钱。采用状态转移网络来描述这种多模式交通网络的结构,同时以路段上的混合交通阻抗函数为基础,对多模式交通网络中的各种费用加以分析,从而可得到多模式交通网络流量分配的模型和算法。     

���ģ��ͨ��Ԥ�ⷽ���о�

随着交通信息化的快速发展,可供分析的交通流数据量越来越大,如何利用大规模交通流数据进行交通预测分析是智能交通的重要研究内容.为解决大规模交通流数据预测问题,本文提出了一种基于分层抽样与k均值聚类相结合的抽样方法,并与基于序贯最小优化方法的支持向量机结合,进行大规模交通流预测.实例分析结果表明,本文提出的聚类方法比现有抽样方法的抽样质量有所提高,基于序贯最小优化方法的支持向量机可有效提高交通流预测的精度.因此,本文提出的方法对于大规模交通流预测是有效的.     

基于少数据云推理的短时交通流预测模型

针对短时交通流所存在的不确定性即模糊性与随机性特点和准周期规律,提出基于灰色关联分析和少数据云推理的短时交通流预测模型.首先,针对短时交通流的准周期规律,运用灰色关联分析提取不同日期相同时段历史序列中最相似序列;其次,提出少数据逆向云算法,建立交通流序列一维云推理机制;最后综合利用历史云及当前云生成预测云,用于短时交通流实时预测.实例分析表明,预测精度良好,能够有效实现短时交通流的实时预测.该模型解决了少数据条件下正向云参数确定问题,降低了数据处理工作量,开拓了云模型在短时交通流中的应用.     

基于船舶流的交通时间阻抗模型

为确定航道的交通阻抗,研究了船舶交通流的基本特性,分析了无船闸航道基本段与船闸的通航特点,建立了基于船舶交通流理论的交通时间阻抗计算模型,以客观的描述船舶交通出行时在不同交通流状态下的运行效益.算例计算分析表明,模型是可行、可靠的,能够根据船舶运行的基本实测数据确定任意路径的时间交通阻抗.     

基于可靠度条件下的混合交通流量分配模型及算法

在混合交通中出行者对不同交通方式的行程时间存在着不同的可靠度要求,故有必要根据不同的可靠度要求追加不同冗余时间,以最优时间策略选择交通方式,从而构造混合随机交通模型及其求解算法,并利用具体实例对其有效性加以验证.     

基于可靠度条件下的混合交通流量分配模型及算法

在混合交通中出行者对不同交通方式的行程时间存在着不同的可靠度要求,故有必要根据不同的可靠度要求追加不同冗余时间,以最优时间策略选择交通方式,从而构造混合随机交通模型及其求解算法,并利用具体实例对其有效性加以验证。     

残差灰色预测模型在交通事故预测中的应用

交通事故预测是交通安全研究的重要分支,是提高道路交通安全管理水平的基础。针对道路交通事故的预测问题,以灰色预测模型为基础,建立残差灰色预测模型对交通事故进行预测。结果表明：残差灰色预测模型预测结果的平均相对误差比基本灰色预测模型降低了63．13％。实践证明该模型具有简便实用、预测精度高的优点。     

基于射频数据的道路交通流路径识别优化模型

针对非RFID(Radio Frequency Identification)覆盖道路交通流路径识别误差较大等问题,本文提出基于FCD(Floating Car Data)校核下RFID道路断面交通流路径识别优化组合模型。首先,利用平移不变小波变换将RFID初始数据切分为可追溯交通流、非追溯交通流及随机项;然后,根据统计路段中浮动车数量将路段分为Full、Defect、Null这3类,并建立FCD-RFID追溯路径模型识别可追溯交通流路径构成,同时,提出考虑出行时间、道路等级和驾驶偏好因素的综合成本阻抗效用函数,通过路径感知随机用户平衡分配模型估算非追溯交通流与随机项路径;最后,通过路径叠加识别断面交通流最终路径构成。结果表明：相较于单一RFID交通流路径识别,组合模型具有更高精度,MAE(Mean Absolute Error)为 72 辆,较单一 RFID 算法下降 62.5%,MRE(MeanRelative Error)为9.5%,下降72.2%;在非RFID覆盖校核道路中,组合模型MRE为13.3%,较单一RFID算法下降82.0%,有效验证了本文模型的可行性及适用性。     

基于灰色残差GM（1，1）模型的汽车货运量预测

针对近年来我国汽车货运量增长迅速的特点,运用灰色系统预测模型GM（1,1）对某地汽车货运量趋势进行预测,通过残差GM（1,1）模型对主模型的修正,并用后验差检验法对模型精度进行分析和检验,得到一个精确度非常高的预测模型,该模型符合汽车货运量的预测,并在实际预测应用中取得较好效果。     

基于灰色马尔科夫链模型的交通量预测

交通量是一个不平稳的时间序列,在不确定性条件和缺乏数据资料的情况下,交通量的预测是一个较复杂的问题。灰色马尔科夫链模型是一种结合经典灰色理论和马尔科夫链的状态转移行为的预测模型。该模型在灰色预测理论的基础上,再对随机波动大的残差序列进行马尔科夫预测,实现了两者的优势互补,克服了两者的不足。以太原市漪汾桥断面的交通量的数据在传统灰色GM(1,1)预测模型的基础上建立交通量的灰色马尔科夫链模型,研究表明,该模型在交通量的预测方面相对传统的灰色GM(1,1)模型有更高的精度。     

基于可靠度条件下的混合交通流量分配模型及算法

在混合交通中出行者对不同交通方式的行程时间存在着不同的可靠度要求,故有必要根据不同的可靠度要求追加不同冗余时间,以最优时间策略选择交通方式,从而构造混合随机交通模型及其求解算法,并利用具体实例对其有效性加以验证。     

基于模糊神经网络的GM（1，1）模型

在分析GM（1,1）模型建模机理的基础上,提出GM（1,1）模型中参数a,b的一种新算法一模糊神经网络算法,把模糊神经网络应用于灰色系统GM（1,1）模型的建模过程,得到模糊神经网络GM（1,1）模型,并将其运用于民航客运量的预测,结果表明改进后的模型有较好的拟合及预测精度。