基于贝叶斯估计的短时空域扇区交通流量预测

为准确把握空域扇区流量分布态势及未来变化趋势,提出了一种基于贝叶斯估计的短时空域扇区交通流量预测方法.首先,通过解析空域系统内航空器原始雷达数据,提取各扇区历史运行信息,建立了多扇区聚合交通流模型;其次,采用贝叶斯估计理论对模型参数进行最优估计和动态更新,预测了空域扇区交通流量的未来演变趋势及其不确定范围;最后,选取国内5个典型繁忙扇区为例,以5 min为时间段,以未来1 h为预测范围,对所提预测方法进行了验证.研究结果表明:85%以上时段交通流量预测结果的绝对误差在3架以内,平均绝对误差均在2架次以内,预测结果的稳定性较好,可充分反映各空域扇区之间短时交通流的动态性和不确定性,符合空中交通的实际情况.      

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GM（1,1）与AR模型的轨道不平顺状态预测

反映轨道几何状态变化的轨道几何检测数据是一个随时间变化的时间序列,具有随机性特点.本文将经过普遍适应性改进的灰色GM（1,1）与随机线性AR模型相结合,研究轨道水平不平顺状态在点、单元区段范围随时间变化趋势,并对GM（1,1）预测的残差进行修正,从轨道水平的几何状态变化的随机数据序列中找寻变化规律.用得到的几何状态变化模型分别对轨道的短期、中长期状态进行预测分析,预测结果表明模型是有效的,满足预定精度的要求.     

基于飞行流量耦合的区域容量改进模型

研究了包括多个扇区的区域容量评估问题, 通过分析飞行流量在空域单元之间产生耦合约束因素, 提出了空域单元的耦合容量, 研究了区域耦合容量的影响因素。结合管制员工作负荷等限制建立了区域耦合容量的多目标整数规划模型, 并使用该模型计算了兰州区域各空域单元耦合容量。计算结果表明: 扇区1、2、3耦合容量分别为22、19、33架次.h^-1, 小于其最大容量; 区域耦合容量小于区域仿真容量评估结果, 因此, 该模型更有利于合理分配空域资源。     

空域扇区概率交通需求预测模型

为预测空域扇区在未来一定时段内的交通需求及其变化规律,基于简化的空域运行网络结构,从不确定性角度分析了航空器飞行时间对空域扇区交通需求预测的影响,针对航空器进入、离开扇区和在扇区内飞行过程的随机性,给出了相应概率分布函数.在此基础上,建立了空域扇区概率交通需求预测模型,设计了启发式算法.对实际航班数据的仿真结果表明:本文模型和算法预测时段10:00~11:00扇区发生拥挤,比传统的确定性方法预测的拥挤时段减少了30 min,避免了在时段9:30~10:00采取不必要的流量管理措施,降低了该时段管制员的工作负荷.     

基于有限穿越可视图的进场航班流量波动特性研究

研究空中交通流量的波动特性是设计高效流量管理措施和控制策略的基础，掌握空中交通流量波动特性有利于空域资源配置与流量运行需求之间的均衡匹配。在3种时间粒度上，针对进场航班流量时间序列，一方面从复杂网络整体维度出发，采用有限穿越可视图对时间序列进行建网，利用k-core算法探究航班流量波动特性；另一方面从复杂网络局部维度出发，引入序模体方法，构造有限穿越可视图序模体，利用多元序模体类型转换规律来刻画流量的动态转移模式，进而掌握航班流量波动动态演化规律，为波动模式的预测提供了有效工具。研究结果表明：在有限穿越可视图方法映射得到的网络中，节点所属核阶数可以有效刻画流量波动强度，且与波动强度成正相关关系，即节点所属核阶数越大，波动强度越大，天津机场进场航班流量数据的强波动时 段为16:50-17:30；序模体越长，波动特性刻画能力越强，但鉴于受到空中交通混沌特性影响，序模体过长对于流量预测意义不大，推荐使用5节点序模体；波动模式状态转移图在有效刻画流量波动动态演化的同时，也可以计算波动模式的转移概率，3种时间粒度下转移概率分别为12.315%、 13.131%和10.638%，为波动模式的预测提供了有效工具。     

基于GARCH的短时风速预测方法

为提高高速列车运行的安全性,基于线性递归的差分自回归移动平均模型(auto-regressive integrated moving average, ARIMA)和非线性递归的广义自回归条件异方差模型(generalized auto-regressive conditionally heteroscedastic, GARCH),提出一种组合模型ARIMA-GARCH进行高速铁路强风风速的短时预测.首先对数据的非平稳性进行预处理,以降低数据非平稳性对所提模型的影响;其次建立线性递归的ARIMA模型对数据进行分析和预测;最后,引入非线性递归的GARCH模型对数据进行分析和预测.基于现场测量的样本仿真分析表明:相比原始数据,ARIMA-GARCH模型的预测精度较高且随着预测步长的增加,平均绝对误差仅从0.836 m/s增加到1.272 m/s;ARIMA-GARCH模型考虑了异方差这一非线性特性,其预测精度明显好于线性的ARIMA模型,其中超前6步预测的平均绝对误差精度提高11.54%.      

城市公共客运交通碳排放及其大气环境影响的实证研究

为促进交通运输结构优化调整，助力绿色低碳交通高质量发展，本文开展了城市公共客运交通CO₂排放及大气环境影响中长期预测的实证研究。针对全国范围公共客运交通不同运输方式CO₂排放及环境影响的中长期预测方法不清和数据积累不全的问题，构建公共客运交通CO₂排放微观测算模型；综合考虑旅客周转量中长期增长趋势与交通运输行为微观特征，提出基于动态线性增长模型的公共客运交通CO₂排放中长期预测方法；构建基于线性气候响应的大气环境模型交通CO₂排放环境影响预测模型，实现宏观层面全国客运交通CO₂排放大气环境影响的中长期预测。选取城市公共客运交通中的城市轨道交通、传统/新能源巡游出租车、传统/新能源公共汽电车，以及城际长途客运交通中的铁路和民航等几种主要公共客运交通运输方式，对本文所提方法进行实例验证。结果表明，未来10年我国公共客运交通CO₂排放量总体呈上升趋势，民航CO₂排放的体量最大，其排放占比将达到71.72%；公共客运交通...     

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.     

基于CNN-BiLSTM的高速公路交通流量时空特性预测

目前,高速公路交通管控部门对准确交通数据的掌握还存在局限性,预测值也不够精确,为给出行者提供更好的交通引导,必须采用新方法预估误差较小的交通流量数据.提出一种同时考虑时间与空间因素的卷积-双向长短期记忆(CNN-BiLSTM)模型,将具有空间局部特征提取能力的卷积神经网络(CNN)和具有能同时考虑前后方向长时间信息的双向长短期记忆(BiLSTM)相结合,将其用于预测更能体现随时空变化不断波动的交通流量.以一些简单的基准方法作为对比模型,采用均方误差(MSE)等5项评估指标,在美国加州高速公路数据集上进行训练和测试,结果表明:由CNN-BiLSTM得出的预测结果更符合实际交通流量的变化趋势,在高峰期和波动较大时间段均能较好地拟合真实值,灵敏度较高.     

Forecasting Technology of National-Wide Civil Aviation Traffic

The long-term forecasting of national-wide civil aviation traffic provides basis for the airspace project planning. A gray combination forecasting model is put forward based on the GM (1, 1) forecast model and least squares principle. With the historical data analysis of the national-wide air traffic from the year 1985 to 2008, the forecasting applicability is examined with three different methods, such as the time series forecasting, regression forecasting and neural-network forecasting. After analyzing the characteristics of Chinese national-wide civil aviation traffic data and contrasting forecasting result, the gray combined forecasting model produces the best effect among these forecasting models.     

ȫ���񺽿��н�ͨ������Ԥ�⼼���о�

全国民航空中交通量的长期预测是空中交通管理部门制定空域规划方案的重要依据. 本文基于GM(1,1)模型和最小二乘法原理,首次提出了空中交通流量灰组合长期预测模型;同时根据我国民航1985～2008年的飞机起降架次的历史数据,研究了时间序列预测、回归预测以及神经网络预测三种常用预测方法对中国民航空中交通量进行预测的适应性;通过分析我国民航空中交通量数据的特点以及各种预测模型的预测结果表明,本文提出的灰组合预测模型在上述各种预测模型中预测精度最高.     

全国民航空中交通量长期预测技术研究

全国民航空中交通量的长期预测是空中交通管理部门制定空域规划方案的重要依据. 本文基于GM(1,1)模型和最小二乘法原理,首次提出了空中交通流量灰组合长期预测模型;同时根据我国民航1985～2008年的飞机起降架次的历史数据,研究了时间序列预测、回归预测以及神经网络预测三种常用预测方法对中国民航空中交通量进行预测的适应性;通过分析我国民航空中交通量数据的特点以及各种预测模型的预测结果表明,本文提出的灰组合预测模型在上述各种预测模型中预测精度最高.     

航路扇区容量需求的交通流动力学推演与预测

为科学应对交通需求的持续增长，合理进行空域规划，从介观层面刻画交通流动态演化过程，提出航路网络交通流演化模型. 以此为基础，将预测得到的城市对间年度交通总需求量推演到整个航路网络中，实现未来交通需求时空分布的中长期预测；构建航路扇区容量需求预测模型，选取华东地区两个相邻航路扇区为研究对象，进行实例验证.结果表明，所提方法能对航路扇区容量需求进行有效预测，未来5 年内两个航路扇区容量需求将分别由50架次/h、 39架次/h上升为70架次/h、45架次/h.     

道路交通事故多层递阶预测方法

针对道路交通系统动态时变的特点，用多层递阶预测方法，建立了道路交通事故的多层递阶预测模型．将事故预测分解成对时变参数的预测和在此基础上对道路交通事故未来状态的预测两部分，通过对时变参数的精确预测提高事故预测精度．以1989—1999年我国某省道路交通死亡人数为原始数据建模，模拟结果显示，对2000-2001年的预测结果和实际道路交通死亡人数之间的平均误差为5．8％．     

基于SARIMA 模型的北京地铁进站客流量预测

通过对北京地铁2013 年5 月~7 月的进站客流量数据进行详细分析,总结北京 地铁进站客流量以周为周期的波动规律,选用季节时间序列（SARIMA）模型对北京地铁 进站客流量进行时间序列建模.利用符合要求的模型对北京地铁进站客流量进行预测,预 测结果能够较准确地描述北京地铁进站客流量的变化趋势,平均误差为0.3%.说明此模型 适用于地铁进站客流量的短时预测,基于预测结果进一步分析北京地铁进站客流量的特 点,为进一步优化进站设施布置、组织进站流线、高效安全的地铁运营组织提供参考建议.     

基于近似熵的交通流序列趋势变化检测

交通流趋势变化特征分析是交通流预测的基础．为了提取交通流序列随时间推移所呈现出来的宏观变化规律,提出了一种用于检测交通流序列趋势变化的滑动移除近似熵方法．通过对交通流序列趋势规律进行研究,首先将其细分为上升趋势、平稳波动趋势、下降趋势,然后根据不同趋势变化的时间序列复杂程度不同,建立了滑动移除近似熵方法求解其滑动移除近似熵的值,并根据得到的时间序列提取交通流序列趋势变化．最后以北京市四环路某一断面交通流序列为例,用建立的模型对交通流序列趋势变化进行检测,并与滑动t检验方法结果对比．研究结果表明本文提出的方法能够对交通流序列趋势变化进行检测,且检测结果与实际交通流序列趋势变化比较吻合,研究结论可为短时交通流预测建模提供拳者依据．     

短时交通流预测的改进K近邻算法

分析了原有的短时交通流预测的K近邻算法, 用模式距离搜索方法代替原有的欧氏距离搜索方法, 引入多元统计回归模型, 建立了一种改进的短时交通流预测的K近邻算法, 并以北京市某路段进行实例验证。试验结果表明: 当K取23时, 利用改进的K近邻算法, 预测结果的均方误差、平均相对误差、平均绝对误差分别为31.43%、4.17%、0.27%;利用原有的K近邻算法, 预测结果的均方误差、平均相对误差、平均绝对误差分别为33.33%、4.40%、0.28%;利用历史平均模型, 预测结果的均方误差、平均相对误差、平均绝对误差分别为46.20%、11.40%、0.48%。可见, 改进的K近邻算法的预测精度明显高于其他2种方法, 在提高搜索效率的同时准确地刻画了交通流的真实情况。