基于投影寻踪回归模型的短时交通量预测研究

准确有效地预测短时交通量是实施交通诱导及控制的前提与关键。投影寻踪方法能从不符合正态分布的或没有多少先验信息的数据本身中找出其结构或特征,并能在线性投影中解决非线性结构的问题。文中将投影寻踪回归算法理论应用于短时交通量预测领域,采用正交Hermite多项式拟合岭函数,并用C＋＋语言设计出相应模型的实现算法,对短时交通量实施滚动预测。利用某快速路实际观测数据进行预测实验,实验结果证实该方法具有可行性、可靠性,有一定的实用价值。     

基于投影寻踪神经网络模型的短时交通量预测研究

准确有效地预测短时交通流量是实施交通诱导及控制的前提与关键,但由于短时交通流量具有高度复杂性、随机性、非线性和不确定性等特性,导致预测难度高、准确度低、实时性差。基于此,文中综合利用投影寻踪技术和BP神经网络的优点,提出了运用投影寻踪回归模型和BP神经网络技术相结合建立组合模型的预测方法,并编写出模型的算法程序。将该组合模型应用于路段短时交通量的实时预测实例,实验结果证实该组合模型具有较好的预测能力和较强的时效性。     

城市道路交通量短时预测的GSVMR模型

在分析现有城市道路交通量短时预测方法缺陷的基础上,针对目前广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点,结合遗传算法容易寻找全局最优解与支持向量机回归法具有结构风险最小化的特点,提出了将两种算法相结合的GSVMR预测模型,该模型同时具有结构风险最小和容易寻找最优解的双重特性,并对某城市四车道主干道路8：00,8：45的交通量进行了预测,结果表明用该模型进行城市道路交通量短时预测所得结果误差较小,依此验证了用GSVMR模型进行城市道路交通量短时预测的有效性。     

路段短时交通量预测自适应控制法

基于自动控制理论,文章提出一种路段短时交通量的动态预测算法。以历史交通量观测数据为输入,下一时刻交通量预测值为输出,构造了单输入单输出的离散时间动态系统,设计了反馈控制回路和自适应PID控制器对预测结果进行修正。实例分析表明,该算法能较快跟踪交通量的变化,实时修正算法,能实现时间和空间上的移植。     

基于小波优化GRU-ARMA模型的空中交通流量短时预测方法

空中交通流量短时预测是空中交通管理的基础,是有效缓解交通拥堵问题的前提。为提高空中交通流量短时预测的精度,减小空中交通管制员的工作压力,提出了基于小波优化GRU-ARMA的空中交通流量短时预测方法。在传统预测方法的基础上,通过小波变换对原始流量数据进行多尺度分解,提取不同频率交通流量的细节特征,对原始流量数据进行预处理。同时,根据小波变换,在低频处将频率细分作为趋势项,高频处将时间细分作为噪声项。其中,趋势项反映了空中交通流量随时间演化的整体趋势性,噪声项反映了随机因素对空中交通流量的综合影响。使用门控循环单元（GRU）神经网络模型预测趋势项,自回归滑动平均模型（ARMA）模型预测噪声项;将趋势项和噪声项的预测值叠加,得到最终的短时流量预测值。误差分析表明,该方法在每个预测点上的误差保持在2%左右,预测效果稳定;而直接采用原始流量数据进行预测的GRU、BiLSTM、CNN-LSTM神经网络模型及单一的ARMA模型,每个点的预测误差在5%~37.14%之间。与GRU、BiLSTM、CNN-LSTM神经网络模型相比,该模型的预测精度分别提高了3.02%,5.39%,5.05%。     

基于Bi-LSTM模型的高速公路交通量预测

高速公路交通量的预测是管理部门研究的重要内容,为交通控制和诱导提供数据支撑。针对高速公路交通量的预测问题,引入一种新的基于双向长短期记忆网络(Bidirectional Long Short Time Memory Network,Bi-LSTM)的方法。Bi-LSTM模型将普通的LSTM拆分成为两个方向,前向计算关联历史数据,后向计算关联未来数据,两个方向LSTM不直接连通,将两份数据整合输出作为Bi-LSTM计算单元输出值。实验表明,BiLSTM模型相比对比模型预测误差至少优化了4. 5%,在非线性交通流数据中具有更好的预测性能和泛化能力。     

基于贝叶斯组合模型的短期交通量预测研究

提出一种新的贝叶斯组合神经网络模型并将其应用于短期交通流量的预测。模型通过实时跟踪模型的预测表现,根据研究提出的分配算法不断调整模型的信用值,从而挑选并组合得到精度更高的预测模型。介绍了该模型的基本原理及在示范路网中的实际应用,通过选取反向传播神经网络和径向基函数神经网络,用以构造贝叶斯组合模型,并在测试数据集中进行了性能比较。计算结果表明：模型的预测性能整体上优于单一的神经网络模型,并且确保了模型预测的稳定性。     

利用速度信息改进城市道路短时交通量预测

利用速度消息的时变特性,提出了1种无需假设状态变量为平稳的基于卡尔曼滤波算法的短时交通量预测模型。依据城市道路网上下游路段交通流之间的时空演化关系,利用实时采集的路段平均速度信息构建时变的状态转移矩阵来取代常数状态转移矩阵,对现有基于卡尔曼滤波算法的短时交通量预测模型进行改进。最后以2个真实路段4d的交通量进行预测试验,相关计算结果表明:由于加强了模型的动态性,改进后的预测模型较原模型的预测精度在整体上有所提高,其中平均绝对相对误差由7.64%及16.04%分别下降至7.25%及15.75%,均等系数则由0.9572及0.9250分别提高至0.9602及0.9268,而对于交通量急速变化的时段,提高的幅度更为明显,平均绝对相对误差可降低14.8%,从而验证了所提出方法的有效性。     

基于重力模型预测诱增交通量方法研究

针对诱增交通量产生的最直观原因是交通阻抗的降低,通过分析诱增交通量的组成及特点,提出了一种基于交通生成的重力模型预测诱增交通量的方法,并以沪蓉国道宜昌至利川段高速公路交通量预测为例,对诱增交通量的预测进行实证研究。     

基于季节ARIMA模型的公路交通量预测

为了提高公路交通量季节性预测的精度,在介绍一般ARIMA模型的基础上,推导出一种具有周期的季节ARI—MA模型的一般表达式,以及使用这种模型进行建模和预报的一般过程。在实证分析中,先用傅立叶周期分析法检验时间序列的周期性并求出周期长度,然后用Eviews软件对时间序列作平稳性检验以及实现模型的识别、建立、选择与预测过程。与三个常用季节预测模型：分组回归模型、可变季节指数预测模型和季节周期回归模型相比,季节ARIMA模型的预测精度最高。研究结果对于更为科学准确地预测公路交通量具有一定意义。     

道路交通量灰色预测模型研究

道路交通量的预测对合理进行公路网的规划、工程可行性研究以及提高道路养护质量起着重要的作用。利用灰色系统理论,建立了道路交通量预测的GM(1,1)灰色预估模型及其残差模型,并将其应用于高速公路的交通量预测中,预测结果和实测结果较好的吻合,验证了预估模型的精度,表明预测方法的可行性。     

基于四阶段法的旅游交通量预测

公路旅游交通是公路交通运输业的重要组成部分,随着现代旅游业的发展,公路旅游交通在公路交通运输业中的地位日益显现。然而目前缺乏有效的预测公路旅游交通量的方法。采用四阶段分析理论,以利川和万州地区高速公路建设为分析对象,在分析区域社会经济、旅游人数和旅游产业发展趋势的基础上,预测区域旅游交通总量,在分析基年旅游交通量分布的基础上确定各路段的交通出行量。有效地预测了利川和万州地区高速公路建设中的旅游交通量。     

基于交通量演变模式检索的高速公路交通量预测方法

通过交通量预测的方法,可以在突发事件情况下评估事件对高速公路网的交通影响。各种预测算法的共同特征,需要一定的历史数据支持。在同一算法中,对历史信息吸收得越多,其预测往往越准确。作者借用图像压缩的原理,从历史交通数据中抽象出历史交通状态演化模式,并用压缩码表示该演化模式。通过对压缩码的检索,可以快速提取与当前演化模式相近的历史数据,通过这些演化模式相近的历史数据,预测交通状态的变化趋势。试验证明,预测数据与真实数据具有良好的拟合度。     

基于 QPSO-RBF 的交通量预测方法研究

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础,为了更好的对其进行预测,在分析径向基函数(RBF)神经网络预测模型的特点和标准粒子群优化(PSO)算法缺陷的基础上,将量子粒子群优化(QPSO)算法的全局搜索能力与RBF神经网络的局部优化相结合,克服了标准PSO算法收敛不稳定性和RBF神经网络易陷入局部极小值的缺点,并建立了QPSO-RBF的交通量预测模型.仿真实例结果表明,提出的预测模型预测精度较高,具有较强的学习能力和预测能力,对于交通量预测具有一定的可行性和有效性.     

基于QPSO—RBF的交通量预测方法研究

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础,为了更好的对其进行预测,在分析径向基函数(RBF)神经网络预测模型的特点和标准粒子群优化(PSO)算法缺陷的基础上,将量子粒子群优化(QPSO)算法的全局搜索能力与RBF神经网络的局部优化相结合,克服了标准PSO算法收敛不稳定性和RBF神经网络易陷入局部极小值的缺点,并建立了QPSO-RBF的交通量预测模型.仿真实例结果表明,提出的预测模型预测精度较高,具有较强的学习能力和预测能力,对于交通量预测具有一定的可行性和有效性.     

基于径向基函数神经网络的交通量预测

采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点。在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量。     

基于径向基函数神经网络的交通量预测

采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点.在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量.     

基于GIS平台的地铁客流预测模型构建

借助GIS平台,对公交线网进行编码,并利用ArcGis的缓冲和叠加分析工具,建立公交站点和地铁站点的空间对应关系。根据调查得到的公交线路站间OD矩阵,利用地铁意向调查标定的参数结果,得到公交客流转移到地铁的比例。基于GIS平台构建的地铁客流预测模型,可以有效地提高建模速度,并能对公交线路调整进行快速反应。     

基于VB和Excel的交通运输量灰色预测模型程序设计

介绍了基于VB和Excel交通运输量灰色预测程序的实现，重点介绍了VB和Excel相结合设计的优点。程序界面简单，操作方便快捷，为交通运输量预测提供了一个有效的工具，并且能满足实际工程的需要。