基于混沌理论和神经网络的交通量预测

针对目前交通量预测不能很好地满足智能交通管理需求的现状,分析交通量数据内在混沌特性,主要包括时间延迟、嵌入维数、关联维数及Lyapunov指数的计算,并将此分析耦合人工神经网络模型进行预测,最后给出北京环路上某车道交通量预测的实例,结果显示基于混沌时间序列分析的神经网络交通量预测在数据动力特征刻画及误差控制上有显著优势。     

基于GM-BP神经网络的交通量预测

针对城市道路交通系统的复杂性和随机性,应用灰色理论和神经网络知识,建立了基于灰色理论和BP神经网络的城市道路交通量GM-BP神经网络预测模型.随后运用该预测模型对城市道路的交通量进行预测,预测结果表明：GM-BP神经网络预测模型所得预测结果平均相对误差为1.17%,与单一的灰色新陈代谢预测模型相比具有预测精度高的优点.     

基于混合AGO-SVM的高速公路短时交通量预测研究

提出一种混合AGO-SVM高速公路交通量预测方法,原始交通量数据通过累加操作生成有规则的数据,预处理后的规则数据使用支持向量机法进行建模并预测,预测数据进行逆累加操作,获得下一时刻高速公路交通量的预测值,数据进行更新并保持样本序列不变从而进行高速公路交通量递推预测. 应用西宝高速交通量实际观测数据验证算法的有效性. 试验结果表明,在几种指标下该方法的预测精度比灰色模型法和支持向量机法的预测结果有所提高,是一种有效的高速公路交通流量预测方法.     

基于遗传神经网络的道路交通量预测

通过建立遗传神经网络的模型，综合考虑各种影响因素，对道路交通量作较准确的预测，实验比较发现，预测结果优于常规时间序列模型ARMA的预测结果，是一种智能化程度较高的预测方法，该方法具有很强的学习能力和自适应性，因而具有很好的应用价值。     

用BP神经网络预测下游交叉口进口交通量

城市交通控制系统在进行区域交通协调时,必须提前预测进入下游交叉口的交通量。由于交通流的非线性、不确定性、随机性和离散性,常规数学模型在预测下游交叉口的交通量时存在不少的困难。实践证明,基于BP神经网络的下游交叉口交通量预测模型,结合交通调查数据,对下游交叉口交通量进行预测,可以取得令人满意的效果。     

互通立交匝道转向交通量预测方法

以讷尼公路讷河西互通为例,对互通立交匝道转向交通量预测的计算方法作一系统阐述。对互通立交匝道转向交通量的预测思路、方法和步骤进行了详尽的分析,为黑龙江省今后互通立交建设项目的匝道转向交通量的预测提供了可行的方法。     

两种基于遗传算法的交通量预测方法

结合实例予以验证、分析比较的结果说明,采用遗传算法(GA)与遗传神经网络(GANN)方法建立交通量预测模型,其预测精度高,操作简单,可以用于道路交通量的预测研究。     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

基于路网规划的道路立体交叉交通量预测方法

道路立体交叉远景交通量预测是道路立交规划和设计的重要环节, 根据交叉口交通流特性和规划路网的路段交通量, 构造了立体交叉远景交通量预测模型。此模型通过迭代计算预测立体交叉口进口和出口之间的转向交通量, 同时对模型中参数的计算进行了讨论。通过某一实例对模型进行了验证, 结果表明该模型误差较小。     

基于神经网络的交叉口交通流量预测方法研究

主要介绍利用BP神经网络模型来预测交叉口交通流量的方法。在概述了神经网络的工作原理和BP网络模型的设计之后,通过举例更进一步说明此方法的可行性和预测效果。     

在交通量预测中构造“修正系数”的探讨

针对西部公路交通量增长缓慢的现状 ,为避免可行性工作流于形式 ,就公路工程可行性研究报告中构造“两部修正系数”对交通量预测模型提出修正的观点 ,使西部公路规划建设既满足交通部《公路工程技术标准》的要求 ,又能体现政府对西部的扶持 ,表明对西部开发的决心     

基于时序特征的城市轨道交通客流预测

通过分析城市轨道交通客流量的时序特征和RBF神经网络的作用机理,将具有不同时序特征的数据分别用不同的神经网络进行处理,建立了基于客流时序特征的并行加权神经网络模型,并用该模型对北京市城市轨道交通各条线路的客流进行预测.结果表明,各线路客流量预测结果的平均绝对百分误差均在10％以下,小于单个神经网络的预测误差,提高了预测精度.     

一个基于灰色神经网络组合的交通量预测模型应用研究

GM模型在预测中对历史数据作不同取舍时,其预测值并不相同,即这种预测结果将是一个预测值的区间,这就给预测人员的取舍带来一定困难。利用GM模型少数据建模和人工神经网络非线性逼近的优点把两种模型结合起来,用对历史数据作不同取舍的GM模型的预测值和纯神经网络的预测值作为组合神经网络的输入,由人工神经网络确定这些不同GM模型和纯BP网络的组合,实例验证得出更为准确的预测值,从而证明这一模型的可行性和有效性。     

基于交通综合信息平台的概率交通预报方法

以交通综合信息平台为数据支撑, 考虑交通指数发布对交通预测的影响, 应用模式匹配和概率统计方法构建了概率交通预报方法的流程框架, 研究了概率交通预报的2项关键实现技术, 包括3级交通数据融合方法和交通指数发布内容。算例结果表明: 概率交通预报使主路径和替代路径的饱和度差值从40%降低到23%;由于概率交通预报方法在考虑交通指数发布对出行行为影响的基础上对交通预测结果进行了修正, 所以提高了交通预报的可信度, 使路网交通负荷趋于均衡。     

城市道路交通量总量控制预测法探讨

从系统工程的角度出发,把项目影响区作为一个大系统,交通基础设施建设作为其中的一个子系统,从整体上计算包含诱增交通量在内的总的交通量,然后按照考虑众多因素的比例法将其分配在各交通小区中,最后在区域交通网络中进行分配,从而获得拟建项目的远景交通量.     

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。     

基于模糊数学的公路交通量预测方法

在交通量资料少、规律性不强的情况下,设计年限内平均日交通量和交通量年平均增长率两个参数不容易直接确定,而相关参数如人口、经济、汽车保有量等与之相关性有不同的权重。针对于此,主要利用模糊数学和线性规划的有关理论,通过模糊预测模型对某地区的交通量进行预测,并根据不同的影响因素,采用不同的权重对其进行交通量分配。实例分析表明,该方法更加客观、合理,具有一定的应用价值。     

城市路网交通状态的小波分析检测方法

选取交叉口进口饱和度和路段平均行程速度作为路网状态检测的基本参数, 采用小波包变换的时频高分辨率特性, 以能量分析方法识别进口饱和度和路段平均行程速度的突变与异常状况, 并定义了交通状态系数来定量描述交通状态变化, 设计了基于小波分析的交通状态检测算法, 并采用贝叶斯算法对交通状态进行预测。仿真分析结果表明: 小波包变换可有效识别节点能量分布的突变区间, 据此可准确判别交通状态发生变化的时段; 当采样数据的模极大值点为200~243时, 此段节点能量变化比较剧烈, 信号在此出现突变, 由较平稳向非平稳状态变化, 对应的路段交通状态系数大于0.300h.km^-1, 为拥挤状态。该方法原理简单, 检测响应时间短, 检测结果可靠。