基于参数预测的高速公路交通状态判别

针对目前基于单截面检测数据的高速公路交通状态判别算法存在着判断阈值多,对拥挤样本依赖性强而拥挤样本采集困难等问题,提出了基于交通流预测的交通状态判别模型.预测过程中以车辆的平均占用时间作为预测的目标参数,利用神经网络建立预测模型,并通过相关系数法确定神经网络的输入层.在预测的基础上,以实测值与预测值之间的差值作为判别的依据,判别道路的交通状态.应用广深高速公路实测数据对判别模型的有效性进行检验,并与经典的McMaster检测算法做了对比,结果表明,所提出算法对拥挤样本依赖较少,判别精度高,鲁棒性高.     

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

交通流实时预测的混沌时间序列模型

针对城市交通流普遍存在的混沌特性,介绍了一种改进的加权一阶局域预测模型,并将其应用于交通流实时预测中。为了进一步提高算法的精度与速度,对最优邻域的点数进行动态选择,通过改进,使之成为一种鲁棒性强、预测精度高的实时预测算法,并能有效地用于短时交通流的预测问题中。仿真结果表明:该算法完全满足实时交通流预测的需要,为交通信号智能控制和交通流诱导奠定了坚实的基础。     

基于RBF径向神经网络的混沌时间序列预测

文章提出了基于神经网络预测混沌时间序列的方法，分析了神经网络的基于工作原理，并用模拟产生的ｌｏｇｉｓｔｉｃ方程数据与实际采集的海杂波数据一一进行了实际研究，得出了预测结果与混沌时间序这间关系的一些结论。     

基于时间序列挖掘的隧道交通事件分析

为了及时发现隧道内交通安全隐患,尽量减少交通事故的发生,针对现有隧道交通事件预测方法在实际应用中的不足,引入时间序列法,建立了隧道交通事件时间序列预测模型,该模型可以快捷地得出事故影响因素的预测值,预测出道路交通事件总体发展趋势。实验证明,模型能很好地适应于道路交通事故预测,同时具备了资料较少,建模简单,计算快捷等优点。     

交通事故时间序列预测方法研究

从交通事故信息特征研究入手，将交通事故时间序列分解为：趋势变动，循环变动，季节变动和随机变动，构造了交通事故时间序列预测模型。     

快速路交通流时间序列聚类预测方法与模型

针对快速路路段日交通流曲线的相似特性,提出根据天气好、坏,工作日、非工作日作为特性向量,设计一种时间序列聚类算法对不同时间尺度下快速路交通流进行预测.结果显示:此聚类算法与预测模型充分利用了历史数据,30 min时间尺度下预测精度较高,平均绝对相对误差最低为3.34%.     

基于时空特征序列匹配的交通流状态估计方法

为了针对无交通流检测器路段更好地进行交通流状态估计,提高估计精度,研究了基于时空特征序列匹配的交通流状态估计模型.通过交通运行指数的计算方法预设城市道路中有交通流参数路段的交通流状态;分析影响城市道路运行条件的各项因素,引入交通流参数与道路参数、路网拓扑参数等时空多维度参数特征,提取3个维度8个特征1个附加维度组成交通...     

基于时间序列相似性搜索的交通流短时预测方法

为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度.      

短时交通量时间序列智能复合预测方法概述

短时交通量预测是智能运输系统的核心研究内容之一,已成为交通工程领域重点研究课题。对国内外短时交通量时间序列的预测方法尤其是智能复合预测方法进行概述和总结,重点介绍灰色预测模型、模糊预测、遗传算法、神经网络、灰色神经网络、神经网络集成、统计学习理论、混沌预测、小波分解与重构的方法、以及由上述模型互相组合构成的各种智能组合预测模型等,并指出智能复合预测方法是解决短时交通量时间序列预测问题的有效途径和发展趋势。     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

基于时间序列和灰色模型的交通事故预测

利用时间序列和灰色模型理论,针对北方某城市的交通事故统计数据,分别建立了自回归移动平均模型及灰色模型,并对各模型进行了步长为12的预测。通过模型对比发现：2个模型的预测绝对误差分别为23.95%和54.32%,且对于具有季节周期性特点的序列,自回归移动平均模型的预测结果与实际观测值比较吻合,说明自回归移动平均模型比灰色模型更能充分挖掘历史信息以减少预测误差,并反映数据的周期性变化,具有良好的适用性。     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

基于数据预测的区域道路状态模糊判别

区域路网交通状态判别是实施区域交通管理控制和交通诱导的基础。为有效且有前瞻性地描述区域路网拥挤状况,提出了1种基于时间序列数据预测和主成分分析相结合的模糊综合定量评价方法。以路段平均速度和交通流量为描述交通拥挤状况的参数,利用时间序列预测模型对数据进行预测;将路网中各路段的平均旅行时间作为总延误的影响因素;再利用主成分分析法确定各个路段对区域拥挤的影响权重;最后运用模糊综合评价法对区域路网拥挤状况进行评估。以山西省临汾市实际路网为例,通过 Vissim 交通仿真软件和 SPSS 数据统计分析软件对算法进行了仿真验证。仿真结果表明,该算法能够有效地预判城市区域的交通状况,为交通管理、控制和诱导提供准确的依据。     

一种基于周相似特性的实时交通量预测模型

针对城市道路交通流量的周相似特性,对实时采集的流量与历史流量进行对比分析,利用均方根误差法确定权重,采用指数平滑方法对权重进行修正,提出一种实时交通量预测模型,并给出利用该模型预测的实例。利用最小二乘法对该预测进行了改进,进一步扩大和提高了模型的应用范围和实用性。     

基于灰色系统理论的短时交通流预测

通过分析短时交通流时序特性,将灰色系统理论应用于短时交通流预测,建立了滚动GM(1,1)预测模型。分析表明:该模型较好地预测了短时交通流的变化趋势。