基于加权一阶局域法的短时交通流量预测的研究

本文在分析了城市短时交通流时间序列和混沌特点基础上,通过对混沌时间序列预测方法的研究,提出了一种基于加权一阶局域法的短时交通流量预测方法。该方法引进了权值,使得它比全域法具有更好的自适应能力和较高的预测精度。对实际短时交通流量进行预测,取得了令人满意结果。     

混沌时间序列局域零阶预测法性能比较

利用计算机仿真比较了均值、距离加权和指数加权3种混沌局域零阶预测方法的预测精度、抗噪声及多步预测性能．在无噪声或噪声干扰较小时，距离加权预测法的性能最好；当噪声干扰较大时，指数加权预测法预测性能最优．指数加权与均值预测法几乎具有相同的多步预测能力，距离加权预测法的短期预测性能最佳．对于标准的离散混沌时间序列，3种预测方法多步预测误差达到一定值后，不再随预测步长的增加而增加；对于由连续系统抽样得到的混沌时间序列，多步预测误差呈现一定周期性变化．     

空中交通流量的短期预测

用霍尔特-温特斯模型对机场的短期空中交通流量进行预测,首先介绍了该模型的具体预测步骤,并采用面向对象的软件技术,设计开发了预测模型软件.该预测模型软件除了可以根据用户设定的平滑系数进行预测之外,还可以自动计算出预测效果较优的"最优平滑系数".本文利用自1998年来首都机场各个月份的交通流量实际数据,对2006年的12个月份数据进行预测,经过与实际数据的比较发现相对误差在3%左右.结果表明,基于"最优平滑系数"的霍尔特-温特斯模型能较好的预测机场的短期空中交通流量,是一种为空中交通战略流量管理提供准确数据的有效方法.     

基于混沌吸引子的时间序列预测方法及其应用

介绍相空间重构技术以及混沌吸引子的关联维数的计算方法,阐述了基于混沌吸引子的特性基础上的预测原理及预测模型,指出了已有预测模型的不足,提出改进意见并给出具体算法。然后,用Lorenz 系统所产生的时间序列作为样本,进行了预测,给出了3种模型的预测结果,并作了比较。最后,指出了还存在一些相关问题。     

基于模糊约束的空中交通流量预测模型研究

鉴于传统流量预测模型存在预测精度差、耗时长、效率低的不足,将模糊约束引入空中交 通系统,用于表示人工智能领域中一些不确定的信息,构建了基于模糊约束的空中交通流量预测模型。通过分析影响模糊约束的决策向量、模糊参数向量及模糊约束集三个因素,提出预测模型 的构建流程,选取空中交通路线多转折点,并获取模糊矩阵,建立了空中交通流量预测模型。实验结果表明,对空中交通流量进行预测时,采用改进的预测模型相比传统预测模型的预测结果较 优、耗时较短、精度较高。     

考虑周期性波动因素的中长期空中交通流量预测

为准确把握空域单元交通流量的变化趋势和周期性波动规律,综合考虑气候、季节、交通需求等因素,通过分析中长期历史流量数据,在线性增长模型的基础上,建立了考虑周期性波动因素的空中交通流量动态线性改进模型,采用贝叶斯状态估计和预测方法对模型进行求解,提出了一种根据空域单元流量时序数据预测中长期流量及其变化趋势的预测方法.利用国内典型空域单元实际流量数据,对比分析了上述两种模型的预测性能.实例研究表明:与线性增长模型的预测结果相比,本文模型的流量预测结果更符合我国的实际情况,反映了流量周期性波动特点,年流量预测结果的平均绝对误差从3.14%下降到了1.71%,预测误差的标准差从2.01%下降到了0.02%.      

基于遗传算法的流量差值预测模型

随着高速公路网络以及联网收费技术的发展,路网中心需对各收费站进出流量差异进行分析及预测.该文应用ELMAN神经网络,运用相关站点历史数据逼近的方法,建立了流量差值预测模型;运用遗传算法对神经网络进行优化.预测模型能基本反映流量差值的变化趋势.     

基于双重力模型和人工神经网络的空中交通流量组合预测

基于四阶段法,采用双重力模型,预测全国空域的交通流量OD分布.针对历史数据的随机性和周期性,建立灰色广义回归神经网络组合模型,得出空中交通流量的预测结果.采用马尔可夫链预测模型,分析了组合预测结果.算例分析表明,对比华北地区空中交通流量统计数据,与回归分析和广义回归神经网络模型的结果相比,本文模型预测结果的精度更高、更可信.     

基于对偶分解算法的空中交通流量管理研究

从国家空域系统角度出发,考虑因突发扰动导致部分空域容量受限的情况,以国家空域系统内所有航空器总延误最小为目标函数,建立一种基于多物流网络的空中交通流量管理模型,并采用对偶分解算法对模型求解.通过实例仿真验证此方法的实用性和有效性.     

基于混沌时间序列的道路断面短时交通流预测模型

为了提高道路断面短时交通流预测的精确性,本文对道路断面的短时交通流数据进行混沌时间序列分析,并对多维交通流时间序列数据进行了相空间重构,建立基于混沌时间序列分析的道路断面短时交通流预测模型,利用粒子群优化算法优化模型的参数选择．最后应用本文的方法对城市快速路采集的断面交通流数据进行分析,对道路断面短时交通流建立预测模型并验证其有效性．     

基于短时交通流预测的广域动态交通路径诱导方法

为提升车辆通行效率,以预测型诱导策略为基础,以排队长度作为交通诱导的约束条件,利用小波神经网络短时交通量预测预知路段堵死事件发生路段,通过广域诱导时空边界条件对事件路段进行节点分级和诱导周期长度界定,进而建立广域诱导模型;对事件区域路网进行分区,进一步确定该模型诱导起点位置,引入基于路径尺度的Logit 路径选择模型作为诱导路径选择方法,通过流量迭代分配方法实现路网负载均衡. 通过实例验证,该诱导方法能有效地缓解道路交通拥堵,提高路网通行效率.     

基于宏微观耦合模型的城市道路交通流在线估计

实时可靠的交通流估计是城市交通管理与控制的基础.宏观的MCTM模型不 能获取引道路段的微观信息,微观的Paramics 仿真则需路网OD的准确估计, 为避开单一 模型使用的缺陷,本文提出建立宏微观耦合模型.在模型估计的单位间隔内,先利用 MCTM估计基本元胞有效密度和引道元胞初步密度,并在接口处计算仿真发车数量;再 转用Paramics 进行引道微观仿真,利用仿真检测数据计算交叉口排队长度和引道元胞有 效密度,取代初步密度,作为下一个间隔计算的初始输入,实现交通流的在线估计.仿真中, 为符合转向需求实时变化特性,建立基于约束卡尔曼滤波的转向需求估计模型,实时更 新单位间隔的转向需求.实例分析结果表明,宏微观耦合模型满足城市道路交通流在线估 计要求.     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支...     

基于Optima的实时在线交通流预测方法研究

目前城市道路交通流预测主要是基于物理模型、数理统计特性并融合部分智能预测算法来实现的,而对于一些影响预测效果的重要交通因素,诸如FIFO原则、交通信号控制方案等在现有的预测方法因无法很好地引入和描述而忽略.本文提出了一种基于Optima系统实现的实时在线交通预测方法,通过建立路网模型、需求模型及初始OD矩阵获取路网实时状况,并通过构建关联数据库实现实时路网模型信息、交通信号控制信息的有效对接,依据TRE算法预测路段进出口的累积流量并结合模型分配值、历史数据实现实时在线交通预测.以北京市望京区域为例进行仿真验证,通过误差分析,获得了较为理想的预测效果,验证了该预测方案的有效性.     

基于航空OD客流的重力模型逆向算法

为了由航空OD（起讫点）客流数据及航线距离数据估计机场旅客吞吐量,结合哈密顿图简化算法机理,推导了简化代数算法．以我国15个主要机场之间航空0D客流数据为例,标定了模型参数,并利用两种逆向代数算法预测机场旅客吞吐量,结果吻合良好．与标准代数算法相比,简化代数算法需要的数据少,尤其适合于缺乏完整数据的大规模OD矩阵分析．     

基于改进灰色预测法的乌鲁木齐市道路交通事故预测

交通事故预测是交通安全研究的重要内容,是提高道路交通安全水平的基础。为研究乌鲁木齐市道路交通事故发展趋势,在分析交通事故灰色特性的基础上,以乌鲁木齐市道路交通事故统计资料为基础,运用改进的灰色预测模型进行交通事故伤亡人数预测。结果表明,改进的灰色预测模型比传统灰色预测模型精度提高了74.98%。     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.