基于模糊综合评判的智能行程时间预测算法

提出一种智能行程时间预测算法。算法基于交通流量和占有率等实时交通信息,用模糊综合评判的方法实现对行程时间的预测。其核心是由交通流量和占有率构成因素集,把行程时间看成由因素集组成的评判集,通过因素集的隶属度函数确定模糊评判矩阵,从而求出行程时间的定量值。算例验证了算法的预测精度高,拟合程度好,具有一定的可行性。     

基于LightGBM算法的公交行程时间预测

在城市公交网络运行中,公交车的站点间行程时间会受到道路和环境条件的影响. 本文对公交车运行过程中的车辆速度特征、道路特征及天气特征等进行了分析.建立了基于特征的 LightGBM (Light Gradient Boosting Machine)公交行程时间预测模型,通过调整 LightGBM算法中的相关参数,以分配各个影响特征和因素的权重大小.然后利用天津市某条公交线路 24天的公交车 GPS数据对模型进行了训练和验证,并与基于历史平均值和卡尔曼滤波的行程时间预测模型进行对比.比较结果表明,LightGBM模型在 MAE (Mean Absolute Error)和 MAPE (Mean Absolute Percentage Error)这两个指标上均大幅度优于其他两个模型,说明 LightGBM模型在公交车行程时间预测上具有很好的稳定性和应用前景.     

基于微观仿真的路段行程时间预测方法

实时路段行程时间预测是动态交通分配中路径选择的关键技术之一,采用微观交通仿真手段和指数平滑方法估计路段行程时间,在路段行程时间估计模型中考虑了交叉口排队延误、信号控制延误和交叉口内转向行程时间,提出了基于灰色等维新息GM(1,1)模型的路段行程时间预测方法,根据路段行程时间的历史数据和实时采集数据,滚动预测未来的路段行程时间,通过实例应用证明了模型有很好的预测精度.     

指数平滑预测法中平滑系数的确定

提出了确定指数平滑系数的三种方法及有关理论．指出指数平滑系数的正确选择对提高预测精度所起的重要作用．解决了只依靠主观确定的指数平滑系数使指数平滑法在预测中的应用与推广受到限制的问题．     

指数平滑预测法中平滑系数的确定

提出了确定指数平滑系数的三种方法及有关理论.指出指数平滑系数的正确选择对提高预测精度所起的重要作用.解决了只依靠主观确定的指数平滑系数使指数平滑法在预测中的应用与推广受到限制的问题.     

指数平滑法在交通参数短期预测中的应用

阐明了滑动平均数法与指数平滑法的渊源，论证了滑动平均数法选择期数N与指数平滑法平滑系数α的相互转换关系和作用机制，给出了符合交通规律的具有自适应能力的季节性指数平滑预测方法。     

紧急救援车辆实时行程时间研究

以分析紧急救援车辆行驶特性、行程时间影响因素为基础，运用波动理论建立紧急救援车辆实时路段行程时间预测模型，给出模型的标定方法，结合实际数据标定模型参数、检验模型精度。     

基于卡尔曼滤波算法的公交车辆行程时间预测

通过分析公交车辆的行驶特性,利用卡尔曼滤波算法建立行程时间预测模型,并用该模型预测未来时段的公交车辆路段行程时间.预测结果表明,该方法预测精度较高,可有效地改善公交车辆动态调度效果,提高交通资源利用率,因此该方法具有推广意义.     

基于神经网络的公交车辆行程时间预测模型研究

城市公交丰辆行程时间预测是公共交通信息服务和运营调度的重要内容,要求较高的实时性和准确性。本文以智能交通运输系统为背景,通过分析公交车辆的行驶特性,基于改进的神经网络模型,建立了公交车辆动态行程时间预测模型,并对比了三种不同输入变量方案的神经网络预测模型,表明该模型具有良好的适用性。此外,将该方法与卡尔曼滤波法的行程时间预测模型进行比较,结果表明,基于神经网络的动态行程时间预测模型精确度较高。     

基于指数平滑法和马尔科夫模型的公路客运量预测方法

分析了常用的客运量预测方法,提出了一种新的基于指数平滑法和马尔科夫模型的公路客运量预测方法.基于公路客运量的实际值、线性拟合值与二次曲线拟合值,采用二次曲线拟合的方法计算了初始值与平滑系数.以安徽省2000～2009年相关数据为基础,应用指数平滑法预测了2010、2011年的公路客运量.以-11％、一5％、0、5％、11％为划分阈值,将指数平滑法预测结果的相对误差划分为4个状态区间,应用马尔科夫模型对指数平滑法的预测结果进行修正,并与模糊线性回归模型、指数平滑法的预测结果进行比较.分析结果表明:应用提出的方法,2010、2011年安徽省公路客运量的预测结果分别为14.209、15.712亿人,相对误差分别为1.195％、0.492％;应用指数平滑法,预测结果分别为13.468、14.893亿人,相对误差分别为-3.399％、-4.746％;应用模糊线性回归模型,预测结果分别为13.573、15.325亿人,相对误差分别为-2.647％、-1.983％.提出的方法精度较高,满足实际需求.     

基于两阶段行程时间的交通流分配理论

针对目前静态交通流分配理论难以处理网络流量演化的问题,给出了基于交通流 反λ 基本图的流量分配新模型.通过不断求解新模型更新路段交通状态,明确了利用静态交通 流分配模型分析网络交通流演变的具体方法.假设网络路段均处于自由流状态,通过求解得到 平衡路段流量,判断是否达到临界流量.将路段流量达到临界流量的路段设定为拥挤状态,重 新求解平衡流量,判断是否仍存在达到临界流量的路段.依据上述思路,直到新的模型无解或 无新的路段达到临界流量.本文通过定义网络不同级别的拥挤瓶颈,完成对网络流量演化的分 析描述.算例验证了新模型与方法的可行性.新理论提供了分析网络交通状态演变的新思路, 拓展了静态交通流分配理论.     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

基于极限学习机的公交行程时间预测方法

以公交车GPS数据为基础,建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现,定义了公交车到站临界点,并分析了临界点处车辆的5种运行状态;提出了公交车到站时刻估算方法,进而得到公交车行程时间数据;通过分析公交车行程时间数据内在特征,确定了极限学习机模型关键参数及其纬度;最后,以长春市88路公交车GPS数据为基础进行了方法验证.结果表明,所用ELM方法预测误差约为11%,并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析,发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.     

����SVM�ij��п���·�г�ʱ��Ԥ���о�

随着城市快速路交通信息采集系统的发展,特别是视频车牌采集系统的应用,使实时动态获得快速路行程时间成为可能,同时也促进了高精度行程时间预测的理论研究和实际应用需求. 本文基于快速路车牌识别数据检测的海量历史时间序列数据,选择预测时段的前4个时段的数据作为输入特征值,以遗传算法建立模型参数优化算法,得到训练模型及其参数,从而实现车辆行程时间的动态预测. 最后以上海市快速路系统中的三个典型路段的实测数据进行实例分析. 结果表明：与传统的指数平滑法、多元回归法、ARIMA法预测结果对比,基于SVM的预测路段平均绝对百分误差在5%以内,希尔不等系数非常接近0,SVM模型显示了更高的预测精度.     

����SVM��Kalman�˲���BRT�г�ʱ��Ԥ��ģ���о�

本文提出了一个支持向量机进行初始行程时间预测并结合卡尔曼滤波算法进行动态调整的快速公交车行程时间综合预测模型.以快速公交车运行的GPS数据为基础,对北京市朝阳区快速公交2号线进行行程时间预测案例研究.利用该模型对其早高峰和上午平峰的两个不同时段的公交行程时间分别进行预测和对比分析,并通过与单一的卡尔曼滤波方法所得的预测结果进行比较.结果表明,该模型应用于快速公交行程时间预测具有更好的适用性,并且预测平峰时段的精度要高于高峰时段.     

基于LSTM 神经网络的降雨天旅行时间预测研究

降雨给城市道路行程时间的计算和预测带来了许多不确定因素. 以出租车GPS数据为研究对象,在考虑降雨数据的基础上,设计一个基于非最小路段的行程时间计算方法,建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证. 最后,以北京市中关村西区出租车行驶的10 d 的GPS数据进行方法验证. 结果表明,加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率. 并与应用较为广泛的BP 神经网络和 SVM进行对比分析,发现在满足数据精度的前提下,本文应用的算法和预测模型有较高的训练速度和预测可靠性.