基于ARIMA和SVM模型的沥青路面使用性能预测比较

通过构建时间序列ARIMA和支持向量机(SVM)模型对沥青路面的PCI值进行预测,并比较两种模型的预测结果,建立适宜的沥青路面使用性能预测模型。分别采用线性核、多项式核、径向基核和Sigmoid核函数构建SVM模型,根据十字交叉验证(Cross-Validation)方法确定核函数及其参数,对比不同核函数的PCI值预测误差精度。最后利用选取的多项式核函数SVM算法预测广东省普通国省道沥青路面使用性能。结果表明：采用多项式核、径向基核函数SVM算法的预测结果较ARIMA模型预测结果精度高。SVM算法中核函数对预测结果影响显著,4种核函数SVM预测模型中,基于多项式核函数模型预测精度最高,其预测沥青路面使用性能的平均绝对百分误差(MAPE)在1%以下,其次为径向基核函数,而Sigmoid核函数预测精度最低。采用线性核函数SVM算法预测结果与ARIMA模型预测结果接近,预测精度满足要求。     

基于K最邻近算法的沥青路面使用性能预测

为准确预估沥青路面使用性能衰变规律,提出了基于K最邻近非参数回归的预测方法,探索大数据挖掘技术在路面结构使用性能预测的应用。利用自然分区、交通量等级、面层类型及厚度、基层类型及厚度、路龄作为特征向量,将PQI值及其评价等级作为输出向量,构建了沥青路面结构使用性能KNN预测模型,并将模型应用于广东省普通国省道典型沥青路面结构使用性能预测中。结果表明,K=3时的PQI值预测精度优于K=5时的预测精度;K=3和K=5时的PQI值预测结果的平均绝对百分误差分别为0.737%和0.793%,均小于1%,说明K最近邻算法预测沥青路面使用性能的准确度较高。     

G6高速公路巴新麻段沥青路面使用性能预测研究

沥青路面使用性能预测对路面的预防性养护决策起着决定性的作用。文中在整理和分析G6高速公路巴新麻段4年路况调查数据的基础上,对该路段的路面使用性能进行评价,提出了适用于G6高速公路或类似条件网级路面使用性能S形预测模型,并将预测结果与实际调查数据相对比,结果表明该模型能较好地预测该路段今后几年各沥青路面使用性能评价指标的变化。     

基于Gamma与Markov的沥青路面性能预测模型对比分析

路面使用性能预测作为路面管理系统中的重要组成部分,是进行沥青路面养护管理决策的重要依据和前提条件。该文引入Gamma和Markov两种随机过程的相关理论,分别构建沥青路面使用性能预测模型,对与路面退化性质相关的不确定性进行阐述。结果表明：随机过程模型在预测路面性能退化和路面寿命方面具有一定的作用。然后通过Matlab软件编程对沥青路面使用性能和寿命进行预测,获得了沥青路面状态退化曲线,大大提高了预测的精度和有效性。最终以河北省某试验路段为例,通过对Gamma与Markov过程预测模型的对比分析,证明了基于Gamma过程的沥青路面性能预测模型的实用性和优越性,为未来的沥青路面使用性能预测提供了新的思路。     

灰色理论在路面使用性能预测中的应用

根据灰色系统理论中的数列预测理论，针对高速公路沥青路面使用性能中的3项基本建立了灰色预测模型，并采用绝对关联度分析模糊型的预测精度。最后根据预测型对江苏某高速公路使用性能的3项检测指标进行了预测，并根据预测结果与路面实际检测数据的对比，分析模型预测结果的合理性以及3项基本指标的发展情况，并分析了讨论所用灰色预测模型的特点及其在路面使用性能预测的应用情况。     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

基于回归分析法的甘肃省河西地区高速公路沥青路面使用性能预测

路面使用性能预测是科学养护决策的基础。为科学掌握甘肃省河西地区高速公路路面使用性能衰变规律,合理预测大修年限,本文提出了基于回归分析法的沥青路面使用性能预测方法,并运用连霍高速张掖段路况数据分析了使用性能预测的过程。结果表明:建立甘肃省高速公路沥青路面使用性能预测回归模型的方法简单实用,预测误差较小,为之后能准确掌握甘肃省沥青路面使用性能变化趋势并得到合理的养护决策提供可靠依据。     

基于SVM-KNN的降雨条件下短时公交客流预测

为了提高降雨条件下短时公交客流的预测精度,提出一种基于SVM-KNN的短时公交客流预测模型.分析了降雨天气与公交客流的相关关系,揭示不同降雨等级对公交客流量的影响.进一步发挥支持向量机(SVM)的快速归类和K近邻算法(KNN)的高预测精度的优点,提出了基于SVM-KNN的短时公交客流预测模型.具体方法为:用SVM训练少量数据生成子数据库,随后采用KNN识别相似模式预测短时公交客流.通过采集深圳市南山区4条公交线路降雨条件下的客流数据进行算例仿真,验证了模型和算法的有效性.结果表明,SVM-KNN算法的综合平均绝对误差(MAE)为8.437,综合均方误差(MSE)为10.725,综合平均相对误差(MAPE)为8.8%,综合均方相对误差(MSPE)为11.3%,比常用的RBF模型的MAE,MSE,MAPE及MSPE各类误差分别降低了3.646,3.631,4.6%,5.5%.      

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.      

基于遗传神经网络的路面使用性能评价预测

基于遗传神经网络算法,在进行高速公路路面使用性能评价与预测时,引入遗传神经网络,建立高速公路路面使用性能评价与预测模型,通过该模型,评价和预测了吉林某高速公路路面使用性能。结果表明:与BP网络预测PCI的结果相比,遗传神经网络预测PCI的结果与高速路面PCI实际值误差缩小更明显,这表明遗传神经网络模型预测精度得到很大程度提高。测试结果说明,本研究提出的遗传神经网络预测方法是可行的,它可以作为高速路面一种有效预测手段,提供科学方法进行公路路面使用性能的评价与预测。     

基于灰色系统理论的沥青路面使用性能预测及养护决策研究

首先对国内外沥青路面使用性能的评价指标进行了分析,然后基于灰色系统理论建立了GM (1,1)模型,对SRI、PSSI、RQI、PCI指标进行预测分析,并依据预测结果,分段提出相对应的养护决策方案。最后通过与传统预测模型的对比,验证了灰色预测模型具有较高的精度。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

基于MA-GM(1,1)的高速公路沥青路面使用性能预测

以PCI、RQI、RDI、SRI及PQI为评价指标,利用灰色理论,结合滑动平均方法,建立MA-GM(1,1)模型对高速公路沥青路面使用性能进行预测。山东省日东(日照—东明)高速公路K20—K22预测结果表明,该模型具有较高的精度和稳定性,能准确反映沥青路面使用时间与使用性能之间的关系,为高速公路的养护和管理提供参考。     

高速公路交通事故模糊逻辑预测模型改进研究

以AADT、路段长度、车道数、大型车比例和地形条件作为模型输入变量,以每公里事故数作为模型输出变量,结合辽宁省高速公路数据构建基本的交通事故模糊逻辑预测模型.考虑到模糊集合结构和模糊控制规则对预测结果可能产生的影响,提出调整模糊集合和融入先验知识构建规则库的模型改进方法.以粤赣高速和开阳高速为案例,分析了基本模型与改进模型的可移植性.最后,应用同样的数据构建了负二项分布事故预测模型,并与模糊逻辑预测模型进行了对比分析.研究结果表明,纵向比较,模糊集合细化一定程度提高模型预测精度,细分模型相较于基本模型,总体平均相对误差减少8.3%,模型优度提高0.357;横向比较,融入先验知识构建模糊规则库能一定程度提高模型预测精度,基本先验模型相较于基本模型,总体平均相对误差减少1.9%,模型优度提高0.164.融入先验知识后模型的可移植性增强,平均预测精度高于基本模型,相对误差大于0.5的样本数减少3.8%,总体误差减少3.4%,总体平均相对误差减少4.1%,模型优度提高0.385;但细化集合的模型可移植性较低,与粗分和基本模型相比各个指标值均不同程度变差;而模糊逻辑事故预测模型与负二项分布事故预测模型在预测精度和可移植性方面均无显著差异.      

基于Sigmoid-ARX算法的汽油机转矩估计及预测控制

为提高在汽油机控制策略中的转矩估计的实时性和精度,设计了一种汽油机转矩预测模型。该模型使用了以Sigmoid为核函数的ARX算法,并利用赤池(Akaike)最终预测误差法(FPE)和标准均方根误差法,辨识实验测量的节气门开度和转速数据,以此来估计模型参数。利用该转矩模型,设计了一种模型预测控制器(MPC),并进行了验证试验。结果表明:在全工况范围内,该转矩模型的预测相对误差小于4.5%;控制超调量约为6%,能达到3 s内输出预期转矩150 Nm。因而,控制效果良好,实现了汽油机转矩的精确控制。     

隧道洞口边坡变形的多阶段递进预测研究

为及时掌握隧道洞口边坡的变形规律,保证隧道进洞过程的安全,采用小波变换剔除变形序列中的误差信息,将原始序列分解为趋势项和误差项序列,并采用PSO-LSSVM模型和ARMA模型分别对趋势项和误差项进行预测,将两者叠加即得到边坡的综合变形预测值,再利用马尔科夫链建立预测误差的修正模型,进一步提高预测精度。对预测模型进行实例分析,结果表明： sym9小波函数、启发式阈值标准、硬阈值选取标准及10层小波分解的去噪效果较优,且通过综合预测,得到边坡变形预测结果的相对误差均值为1.03%,方差值为0.042 6,预测精度和稳定性较高,验证了预测模型的有效性。     

基于组合模型的宁扬高速沥青路面使用性能预测

沥青路面性能预测是路面养护决策的重要环节,本文通过对高速公路使用性能衰减关键影响因素进行筛选,基于合理的路况性能评价指标,采用组合预测原理对高速公路沥青路面的性能预测模型和性能发展规律进行研究。研究结果表明:基于灰色理论与回归分析法的组合预测模型可行性强,可为高速公路沥青路面养护时机的判定提供有力的指导和帮助。     

基于灰色-马尔科夫理论的沥青路面性能预测研究

结合灰色理论短期预测优势以及马尔科夫预测模型无后效性特点,建立基于灰色-马尔科夫理论的组合预测模型,研究沥青路面性能衰变规律。以重庆某高速公路历年RQI检测数据为例,用MATLAB计算RQI灰色预测值并验证模型的精度;通过灰色预测方程反算使用年限序列,并建立马尔科夫状态转移矩阵,对RQI进行预测。结果表明:灰色预测模型对RQI预测精度达到一级,预测结果可靠性较高;根据灰色-马尔科夫模型,预测RQI衰变规律,对比单一的灰色预测模型,灰色-马尔科夫组合预测模型精度更高,更适用于路面性能的长期预测。     

多元评价体系组合模型在铁路隧道变形预测中的应用

为克服传统预测模型结构单一、预测精度及稳定性不足等缺陷,提出多元体系组合预测模型的建模思路。首先,基于支持向量机、BP神经网络及ARMA模型3种单一预测模型,构建铁路隧道变形预测体系;再以均方根误差、误差平方和及平均绝对误差等为评价准则或指标,构建各预测结果的误差评价体系,求解各单项预测模型的权值贡献指数,得到最优组合权值;然后利用后验差检验、残差检验和关联度检验构建预测精度校验体系,对组合预测结果进行检验,评价预测模型的有效性;最后,结合工程实例,对多元体系组合预测模型在特大断面隧道中的变形预测效果进行检验。结果表明:多元评价体系组合模型预测相对误差值均小于2%,具有较高的预测精度,且较单一预测模型具有更高的预测精度,也一致通过相关检验,验证了多元体系组合预测模型的有效性。     

基于Kernel-KNN高速公路异常交通态势预测研究

为更精准预测高速公路异常交通态势变化，基于Kernel-KNN算法原理提出了态势预测模型，并调研京石高速公路异常交通态势场景下交通管理及运行监测数据，基于历史数据中速度与交通态势非线性映射关系，在MATLAB中实现了预测过程，确定了预测模型最佳参数取值范围，最后验证了预测模型的有效性。结果表明：高速公路异常交通态势预测模型的精度主要与带宽值B、时间长度T和最近邻数k等3个参数相关，当B、k、T分别在[3,10]、[8,10]、[1,2]范围时，预测模型精度相对稳定，其预测平均绝对误差(MAE)为3.97、平均绝对百分比误差(MAPE)为6.95、均方根误差(RMSE)为3.96,模型精度优于其他算法，且以单日时段速度为例，其预测值与实际速度值较吻合。