基于改进支持向量机的交通流量预测算法研究

城市交通流具有复杂性、时变性和随机性,如何实时准确的预测交通流量是实现智能交通诱导及控制的前提.结合交通流的时间序列特性,提出基于改进支持向量机的交通流预测算法,该算法能够克服神经网络预测的不足,对支持向量机算法在嵌入维数、核函数和参数选择上进行了改进.实验仿真结果表明,该算法具有很好的预测精度和适用性.     

基于城市路口相关性的交通流量预测

利用主成分分析方法对路网中各路口的交通流量进行了相关性分析，构建了相关路口集，提出了根据相关路口集的交通流量预测本路口流量的思想．给出了用于预测的神经网络模型、具体算法和评价标准。在比较精确的训练样本基础上对网络进行了训练，测试了训练后的网络性能。实验表明，采用基于城市路口相关性进行交通流量预测具有满意的准确性和较好的鲁棒性。     

基于遗传神经网络的交通流量预测研究

针对BP神经网络用于交通流量预测时存在的不足,采用遗传算法优化BP神经网络初始权值的方法来提高BP网络的性能.应用改进前后的BP神经网络模型对长沙市具体路段的交通流量进行预测,通过预测结果对比,发现经遗传算法改进后的BP神经网络在降低预测平均误差的同时,迭代次数也比标准BP神经网络大大减少.     

基于改进GA-BP的模糊神经网络在高速公路交通量预测中的研究

科学准确预测运营期高速公路通行量能够对运营决策提供关键性支撑,同时,对高速公路路网建设规划、国民经济评价及投资效益分析也至关重要。人工神经网络算法能够映射高速公路交通量产生与变化的非线性和复杂性规律。为了提高传统BP网络高速公路交通量预测精度,提出了改进算法,通过遗传算法优化网络初始权重,引入峰值理论和模糊算法提高网络模型对较大流量的预测准确度;将优化算法应用于网络模型,建立了基于改进GA-BP的模糊神经网络高速公路交通量预测模型;模型应用于太原市绕城高速公路长风东收费站交通量预测,将预测值与实际统计值进行对比;应用结果验证了改进神经网络模型的有效性和准确性。     

基于非参数回归的短时交通流量预测与事件检测综合算法

针对目前短时交通流预测存在的问题 ,提出一种基于非参数回归的短时交通流量预测与事件检测综合算法框架并对框架中的每个步骤进行详细说明。为了进一步提高上述算法的精度与速度 ,对传统的非参数回归算法做了两方面改进 :基于密集度的变 K搜索算法与基于动态聚类和散列函数的历史数据组织方式。通过这些改进 ,使得上述基于非参数回归的算法成为一种“无参数”、可移植、高预测精度的实时预测算法 ,并能有效地用于短时交通流的预测问题中。现场实验充分表明该算法完全满足实时交通流预测的需要。     

基于神经网络的交叉口交通流量预测方法研究

介绍了利用BP神经网络模型来预测交叉口交通流量的方法。在概述了神经网络的工作原理和BP网络模型的设计之后,通过举例更进一步说明此方法的可行性和预测效果。     

基于相空间重构与LSSVM的交通流量预测

针对仅利用欧氏距离不能准确反映相空间中相点间的相似性大小,提出一种改进预测模型,该模型同时考虑相点间的欧氏距离和相似性来选取邻近点。在对交通流量时间序列进行相空间重构后,运用最小二乘支持向量机分别对不同方法得到的邻近点进行训练,并对未来时段的交通流量进行了多步预测。实际案例的预测结果表明,改进方法比一般方法具有更好的适应能力和预测精度。     

基于XGBoost节假日路网流量预测研究

通过科学方法对交通量进行有效预测,是保障高速公路运行畅通的有效手段,在减轻路网拥堵,提高本地居民日常出行效率、游客出游满意度方面具有重要意义。贵州属于旅游资源密集省份,节假日交通高峰现象异常突出,基于传统预测方法效率不高。为改善预测结果,基于XGBoost算法构建交通量预测模型,预测全省路网节假日交通量。通过2016年1月～2017年3月公路、气象、景区等综合大数据建立了贵州省高速交通量数据集,采取节假日时间序列的数据集建立训练模型,与真实值比较验证模型可靠性,对2017年清明节全路网交通量进行预测。结果表明:模型能在预测地区节假日交通量有较高精度。     

基于自适应Kalman滤波的交通流量监测算法

提出一种基于车载无线通信模块的交通流监测原型系统,该系统将行驶中载有无线通信模块的车辆视为移动检测节点,以很小的代价实现对交通信息的获取.在此基础上提出一个具体应用:利用基站对道路上载有通信模块车辆的检测,结合设计的基于结果反馈的自适应Kalman滤波算法,及时准确地完成对路段上交通流量的检测.此外,还基于元胞自动机理论搭建了仿真平台,并验证了算法的有效性.     

基于GA-BP算法的工程船舶建模研究

工程船舶由于自身没有动力,其运动过程是一个复杂的非线型系统,因受到环境等因素的干扰,很难对工程船舶特点建立一个理想的运动过程的数学模型.文章利用遗传算法的全局寻优特点来优化BP神经网络的连接权系数,很好地解决了这个问题.经训练后的模型仿真实验得到了很好的证实.     

基于混沌理论的高速公路网短时交通流量预测研究

随着高速公路网的建成及其交通流量的不断增大,对高速路网交通流实时控制和诱导服务的需求日益突出,而高速公路网短时交通流量的预测,不仅是交通流实时控制和诱导服务的基础和依据,而且预测结果的准确性对改善高速公路网的通行能力和服务水平有重要影响。基于混沌时间序列分析和预测的理论,建立了高速公路网短时交通流预测模型,计算给定区域高速公路网多断面短时交通流量预测值,结果表明利用多维混沌时间序列法预测高速公路网短时交通流量可行且具有较高的精度。     

基于统计学习理论的交通流量时间序列预测

针对城市交通“智能运输系统”，提出基于统计学习理论的交通流量时间序列预测，与传统统计学相比，统计学习理论能勉励在训练样本数很少的情况下达到很好分类推广能力。它具有收敛速度快，有效避免局部最小点的特点。对某一实际路口机车流量的实验结果验证了该方法的有效性和先进性，有望在交通流量时间序列预测方面得到广泛的应用。     

基于S型函数预处理的RBF神经网络交通流量预测

根据交通流复杂性的特点,提出了一种基于S型函数标准化数据预处理的交通流量RBF网络预测方法,缩短了RBF网络训练时间;同时采用OLS算法有效降低RBF网络训练的随机性。实验仿真结果表明,该算法可用于实时交通流量及参数预测,并具有可靠的精度和较好的收敛速度。     

基于GA-SVR模型的短期交通流量预测方法研究

为了提高短期交通流预测精度,寻求最优交通流分组策略,通过对短期历史交通流量数据的分析,运用遗传算法优化支持向量回归机的惩罚参数、核函数参数和不敏感损失函数3个参数,构建了GA-SVR模型。首先对采集的数据采用算术平均值进行了降噪处理,然后根据交通数据特征分为连续5个星期五时间、相邻前5个工作日和当天3种时间周期序列,通过不同时间周期序列确定了最优的训练样本集。最后结合采集的数据进行了验证,并且与传统SVR模型进行了精度对比。结果表明:GA-SVR模型预测精度优于传统SVR模型,且基于当天数据构建的训练样本集总体预测精度最高。     

基于混沌理论的短期交通流量多步预测

短期交通流量预测是智能交通系统的核心研究内容之一.针对城市交通流具有的混沌特性,提出1种具有较高精度的短期交通流量多步预测方法,以支持交通控制和交通流诱导.利用最大Lyapunov指数方法判别交通流量时间序列的混沌特性,对交通流量时间序列进行相空间重构,并在此基础上结合加权一阶局域方法设计了基于混沌理论的交通流量多步预测算法.将此方法运用于实际道路交通流量的多步预测,比较多步预测值与实际流量值,其平均绝对百分比误差为3.33％,平均绝对误差为9.05/[pcu· (5min)-1],均方根误差为10.36/[pcu·(5 min)-1].应用结果表明,该预测方法具有较高的精度.     

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理,且需要满足实时性需求。然而,少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory,LSTM）自编码器的高速公路交通流量递归预测框架,可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据,应用卡尔曼滤波方法进行数据平滑,以提高原始数据的可预测性能;引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模,以提高模型的运算效率;考虑到高速公路交通流量预测的实时性需要,进一步提出递归预测框架,用LSTM自编码器的预测值代替卡尔曼滤波值;根据获取的实时数据,执行自适应卡尔曼滤波算法以修正当前的最佳状态值,并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析,结果表明：所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势,模型预测的平均绝对百分比误差为5.0%,优于卡尔曼滤波和LSTM自编码器组合模型的7.4%;模型训练时间为85 s,低于标准LSTM模型的101 s。     

一种改进的神经网络及其在交通流量预测中的应用

针对BP神经网络运行的特点，提出用隔离小生境遗传算法优化传统的BP网络。实例证明，该神经网络的进化建模方法设计简单．模型性能评价全面合理，全局搜索效率较高，能有效地用于短时交通流量的预测。     

基于GA-BP神经网络的汽车空气阻力系数预测研究

针对整车空气动力性能开发中数值计算耗时长的问题,提出一种基于GA-BP神经网络的汽车空气阻力系数预测方法。将汽车部分特征参数作为输入变量,经外流场仿真得到的空气阻力系数作为输出变量,获取数据集。采用遗传算法对BP神经网络进行参数寻优,最终建立基于遗传算法的BP神经网络模型,验证不同训练集数量对模型预测精度的影响。结果表明,GA-BP神经网络在训练样本较少时也能维持较高的预测精度,可用于汽车空气阻力系数的快速测。     

基于交通流量预测的高速公路收费道口运营策略研究

以宁沪高速公路南京主线收费站数据为样本,使用现代时间序列模型预测收费道口交通流量,提出了基于交通流量预测的收费道口运营策略制定方法,并给出了应用实例。     

基于EMD聚类与ARMA的交通流量预测方法

为了准确掌握未来交通流量的变化趋势,提高高速公路路网的管理效率,采用经验模态分解(EMD)和自回归滑动平均(ARMA)模型,提出了一种短时交通流量预测方法。根据高速公路收费站数据,使用EMD将统计的时间序列分解为有限个固有模态分量,对固有模态分量使用模糊C均值聚类,再采用ARMA将聚类后的固有模态分量进行预测,最后把每个分量预测值求和得到交通流量预测值。实例仿真计算表明,该算法比直接使用ARMA模型进行预测具有更高的预测精度,是一种有效的短时交通量预测方法。