���ڻ���ʱ�����з������Ķ�ʱ��ͨ��Ԥ���о�

交通流预测分析已成为智能交通的核心研究内容之一。依据混沌时间序列分析方法,建立了短时交通流的预测模型。在对实测的交通流数据进行相空间重构的基础上,综合考虑欧氏距离和均等系数,提出了最邻近点的两步优化选择方法,并采用了局部多项式拟合方法对所选取的最邻近点进行逼近以求得预测公式。本文将此方法运用于东莞东江大道流量预测,比较预测流量和实测流量,得出最大相对误差为0.445％,最小相对误差为0.038％,且单步预测时间仅为38.52秒。结果表明,该预测模型具有较高的精度,同时也能够满足实时性的要求。     

基于混合AGO-SVM的高速公路短时交通量预测研究

提出一种混合AGO-SVM高速公路交通量预测方法,原始交通量数据通过累加操作生成有规则的数据,预处理后的规则数据使用支持向量机法进行建模并预测,预测数据进行逆累加操作,获得下一时刻高速公路交通量的预测值,数据进行更新并保持样本序列不变从而进行高速公路交通量递推预测. 应用西宝高速交通量实际观测数据验证算法的有效性. 试验结果表明,在几种指标下该方法的预测精度比灰色模型法和支持向量机法的预测结果有所提高,是一种有效的高速公路交通流量预测方法.     

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.      

交通流预测的马尔科夫粒子滤波方法研究

智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.针对目前马尔科夫交通流量预测模型在精度方面的不足,以及交通流量随机性、波动性的特点,提出马尔科夫粒子滤波交通流预测模型.一方面,将对交通流量预处理后的样本数据应用于马尔科夫模型中预测未来交通流量,能够较好地描述交通流量的变化趋势;另一方面,针对该预测结果精度的不足及对非线性预测不稳定的缺点,引用粒子滤波算法,将预测结果及权值进行不断更新,以及样本重选样过程,经过多次迭代,使样本粒子更加逼近真实预测值,从而提高预测精度.最后,以北京昌平区某检测器检测到的交通量进行仿真,将预测结果与传统马尔科夫链进行误差对比分析.结果表明,本文提出的马尔科夫粒子滤波交通流预测模型 5 min间隔误差为6.14%、1 h间隔误差为6.04%,预测精度高,具有更好的适用性和稳定性.     

�������Ԥ��ģ�͵Ķ�ʱ��ͨ��Ԥ��

在现代智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.为了提高短时交通流预测的准确性,本文提出了一种基于组合预测模型的短时交通流预测方法.一方面,根据当前的交通流数据来动态调整其对未来预测的影响;另一方面,通过对历史交通流数据的时空特性分析,利用数据挖掘领域的相关知识寻求与当前交通流特性最为相似的历史曲线,并以其为基础来获得预测值的匹配值;然后,将二者获得的信息进行融合,采用多种不同的组合方式来实现短时交通流预测.以厦门市莲花路口断面的交通流量为例,通过对仿真图像和数据的分析,得出各种组合方法的预测平均绝对相对误差均小于10%,能够较好地满足交通诱导系统的需求.     

基于灰色遗传支持向量机的短时交通流预测

为了进一步提高短时交通流预测的精确度,通过分析灰色模型、遗传算法和支持向量机模型的特点,提出一种组合的短时交通流预测模型.模型运用灰色模型对原始交通流数据序列进行累加,弱化其随机性,再通过遗传优化支持向量机模型进行预测,利用灰色模型将预测结果进行累减,得到最终的预测值表.以长春市某主干路交通流数据为基础,验证了该模型的有效性和可行性.     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷,提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构,完成长短时记忆模型的逐层构建,实现本地保存并根据预测精度进行自适应更新,将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明,提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型,具有较强的实用性.     

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.     

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

基于改进加权一阶局域法的空中交通流量预测模型

空中交通流量精准预测是实施空中交通控制和管理的重要前提.针对空中交通流量时间序列的内在混沌动力特性,研究了基于改进加权一阶局域法的混沌交通流量时间序列预测模型.首先,提出了一种临近相点演化加权的改进一阶局域预测法,并通过在预测过程中构建误差序列进行预测结果修正;其次,利用关联维数出现饱和现象验证了4组不同统计时间间隔的实测空中交通流量时间序列均存在混沌特性;最后,在对空中交通流量时间序列进行相空间重构的基础上,利用改进加权一阶局域预测方法进行了流量预测结果的对比实验.结果表明,4组空中交通流量时间序列预测精度均有提高,时间尺度为10 min的流量预测效果最好,预测相对误差减小了29.7%.      

高斯过程回归短时交通流预测方法

已有的短时交通流预测方法均属于确定性预测,无法对预测的不确定性进行定量分析.针对上述问题,提出了一种基于高斯过程回归的短时交通流预测方法.通过该方法在对短时交通流进行预测的同时还可以得到预测的方差估计值,并依此可以确定预测值的95%置信区间.在仿真实例中,在相同条件下对所提方法与支持向量机预测方法进行比较.仿真结果表明,高斯过程回归短时交通流预测方法不仅与支持向量机预测方法具有相近的预测精度,其中均方根误差为12.09,绝对值误差为118.42,相对误差为17.32%,而且能够获得预测结果的方差估计值,从而有效实现短时交通流概率意义上的预测.     

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.     

短时交通流预测模型

针对短时交通流变化周期性与随机性的特点,提出了新的混合预测模型,包含非参数回归模型与BP神经网络模型2种单项模型。非参数回归模型利用相关历史交通流数据,通过数据库匹配操作,确定预测结果,以充分体现交通流的周期稳定性。采用3层BP神经网络模型反映交通流的动态与非线性特点。采用模糊控制算法确定各单项模型的权重,并按不同权重有效组合成新的混合模型。采用西安市某路段30d的交通流量数据验证混合模型的预测效果。试验结果表明:该混合模型的平均相对误差为1.26%,最大相对误差为3.53%,其预测精度明显高于单项模型单独预测时的精度,能较准确地反映交通流真实情况。     

城市道路交通流短时预测及可靠性分析

为了捕捉交通流随机波动导致的交通流短时预测的不确定性,利用反映预测波动的异方差对可靠性进行量化预测;基于时间序列及其异方差理论,构建了以单整自回归滑动平均ARIMA(0,1,1)模型为均值方程的城市道路交通流短时预测的广义自回归条件异方差GARCH(1,1)模型. 通过ARCH LM检验证实,GARCH(1,1)模型能够有效捕捉并消除ARIMA(0,1,1)模型的异方差性.结果表明:基于GARCH(1,1)模型的城市快速路流量预测的MAPE值不高于10%,城市快速路及主干道速度预测的MAPE值为7.86%~10.24%;与ARIMA(0,1,1)模型预测的固定置信区间相比,在自由流交通状况下,GARCH(1,1)模型在有效预测前提下的预测置信区间更窄;在交通拥挤状况下,GARCH(1,1)模型能够通过放大预测置信区间宽度减少无效预测.      

基于蒙特卡罗模拟的交通状态辨识

提出了一种基于蒙特卡罗模拟的利用交通流参数实现交通状态辨识的方法.采 用 FANNY 算法实现了四种交通状态的聚类分析;利用蒙特卡罗模拟方法建立了 SVC 交 通状态辨识模型;分别构建了固定窗口模型和滑动窗口模型对交通状态进行辨识并综合 评价.分析结果表明：该方法能够对实时交通流参数进行准确辨识,尤其是构建的滑动窗 口模型,对交通状态辨识平均精度、召回率和 F 度量分别为 97.98%、94.64%和 96.21%.本方 法可为分析高速公路交通状态演化规律和发展趋势,建立预测预警、应急处置和信息发 布等应急运行机制提供科学方法和数据支撑.     

考虑多维动态特征交互的高速公路实时事故风险建模

为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为只包含交通流变量,包含交通流变量、天气及时间特征变量,包含交通流变量、道路及时间特征变量,包含交通流变量、天气、道路及时间特征变量。从考虑多维动态特征的交互效应出发,基于深度交叉网络,提出一种新的实时事故风险预测模型。结果显示,本文所构建的深度交叉网络模型比其他几种实时事故风险预 测方法显示出更高的精度。模型的AUC值(Area Under Curve)可达0.8562,在0.2的概率阈值下, 可以正确分类84.26%的非事故数据和77.55%事故数据。结论表明,本文采用的多维动态特征交互样本条件下的深度交叉网络模型能够有效地预测高速公路交通事故,可为我国高速公路安全管理部门提供理论与技术支持。     

基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.