基于车牌照数据的城市快速路行程时间短时预测方法研究

为了深入研究基于路段与基于路径两种不同的建模方法在城市快速路行程时间短时预测中的预测效果,以车牌识别系统采集的行程时间数据为研究对象,分别采用历史平均法、神经网络模型、支持向量机回归模型、非参数回归模型4种典型的预测算法,对快速路的行程时间进行预测。研究结果表明,考虑交通特征的支持向量机模型会显著提高基于路段的行程时间预测效果,同时基于路径的非参数回归建模方法优于基于路段的组合建模方法,更适合城市快速路行程时间预测。     

基于灰理论的时滞经济预测模型及应用

针对经济预测中具有时滞性样本数据序列的预测建模问题,在对GM(1,1)模型拟合残差分析的基础上,结合AR模型及残差自回归模型建立了新的时滞GM(1,1)模型,并给出了该模型一种基于最小二乘的求解算法.最后通过对我国GDP指数进行预测,给出了经济预测中建模的一个应用实例,取得了较为满意的效果.     

时空信息多模式融合模型应用研究

给出了时空多模式融合模型(MM模型)的实用建模方法.利用华北地震和北京SARS 2个时空数据集对MM模型进行了建模应用和性能评价,与单纯神经网络模型相比,MM模型的预测准确性与预测趋势变化的能力均有所提高.分析表明,利用MM模型对不同类型时空过程建模时,不同分量信息所起到的作用并不相同.     

RBF神经网络在船舶焊接中的建模及应用

以船舶钢结构为对象，研究了RBF神经网络在船舶焊接变形中的建模及应用．以焊接顺序等因素作为网络输入，以钢结构板材凹凸变形为输出，训练生成网络焊接变形模型，可用于预测船舶钢结构焊接变形量的快速预测．仿真表明该模型的预测输出与实测数据样本基本拟合，验证了模型及其预测效果具有较高的准确性．     

基于非线性有限元和快速建模的桥梁承载力预测

根据桥梁检测结果,准确、快速地预测桥梁承载力,对桥梁运营和维修具有重要意义.对基于非线性有限元软件的桥梁承载力预测技术进行了研究.首先介绍了精细建模技术,并通过大比例模型桥试验,证明了非线性有限元模型的准确性.为解决精细建模过于繁琐的问题,又开发了快速建模程序,以提高建模的方便性.最后,介绍了上述桥梁承载力预测技术的工程应用实例.     

BP神经网络在防城港货物吞吐量预测中的应用

使用基于时间序列的BP神经网络模型对防城港货物吞吐量进行预测,详细介绍了BP神经网络建模原理和预测实施方法,对预测结果进行了分析。提出了使用基于时间序列的BP神经网络模型时的注意事项。     

南丰蜜桔可溶性固形物非线性模型研究

探索应用近红外透射光谱无损检测技术,结合径向基神经网络和反向传播神经网络两种人工智能算法,建立南丰蜜桔可溶性固形物快速无损检测的非线性稳定预测模型。通过43个未参与建模的南丰蜜桔样品作为外部验证数据,验证径向基函数神经网络模型的性能,预测模型的相关系数R=0．92。研究结果表明：径向基函数神经网络比反向神经网络获得的预测结果更好,校正模型的预测均方根误差从0．72^0Brix降低到0．65^0Brix。径向基函数神经网络方法是解决近红外光谱检测南丰蜜桔可溶性固形物中非线性建模问题的有效方法。     

数控机床热误差的改进型灰色DGM(2,1)模型建模

针对机床热误差补偿的建模问题,提出了基于灰色DGM(2,1)模型对数控机床热误差进行分析、预测的方法.该模型在通过对原始数据序列进行累加、累减处理以减小其随机性,建立微分方程的方式建立动态模型以揭示数据序列的长期发展趋势的基础上,利用函数变换法改善数据序列的光滑性.通过对1台数控机床的实际切削加工实验数据进行建模分析,对该方法进行了验证.结果表明该方法克服了传统灰色GM(1,1)模型的不足,获得了更高的建模和预测精度,且具有计算简单,便于在线补偿应用等优点.     

基于综合货运枢纽公路货运场站布局

在综合货运枢纽的条件下,运用几种不同的预测方法预测公路货运场站的适站量,根据得到的结果,进一步确定公路货运场站的规模和数量。结合公路货运场站规划的实践以及需求预测成果,对综合公路货运场站的布局模型进行分析。通过重要度指标量化,建立基于重要度的混合整数规划模型,并借助优化建模软件,对实际问题进行抽象建模,编写求解程序,成功建立求解模型,使得模型能够更好地应用于实践中。     

利用无偏最优维数灰色预测模型预测我国公路货运量的发展

在无偏灰色预测模型的基础上提出了一种改进模型 ,该模型消除了传统模型和无偏模型中由于使用大量现有数据建模而带来的偏差 ,而是选用对预测值影响最大的几组数据进行建模 ,因而可称为无偏最优维数灰色预测模型。利用此模型对我国公路货物运量的发展做了预测。     

城市交叉口交通流特征与短时预测模型

时间尺度大于15 min的城市交通流预测模型已无法满足交通信号实时控制和交通信息实时发布的需求,通过对广州市中心区交叉路口交通流长期观察和数据采集,分析了各种时间尺度的交通流特性,提出以路口信号周期作为时间尺度,绿灯流率作为变量的ARIMA(p,d,q)短时交通预测模型。以1个和3个信号周期的时间尺度为例,对城市交叉路口不同时间段交通流进行建模和预测。结果表明ARIMA(p,d,q)预测模型结构稳定,算法简单,时间尺度为3个信号周期的预测模型可以很好地保持交通流特征,均方根误差为0.015 9,预测精度较高。     

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.      

基于动态时间调整的时空图卷积路网交通流量预测

为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度, 本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络 (TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征; 引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网 中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节 点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明：TSARGCN在交通流量预测中的平均绝对误差 (MAE) 达 到 19.24,均方根误差 (RMSE) 达到 27.09,比 ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及 ASTGCN (Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。     

数据挖掘技术在固定型交通检测器配置优化中的应用

结合固定型交通检测器空间配置的四条原则和配置密度优化步骤，提出固定型交通检测器配置优化的数据挖掘方法。设计6种高速公路出口匝道的固定型交通检测器配置密度方案作为实例研究对像，运用数据挖掘技术的时间序列指数平滑方法、ARIMA方法和神经网络方法分别建立高速公路出口匝道小时交通量Winters预测模型，ARIMA预测模型及神经网络预测模型。采用网络搜索技术确定Winters模型参数，设计一种比传统ARIMA模型参数估计方法更精确的算法程序估计ARIMA模型参数，采用三项误差指标评价模型预测效果，根据预测结果及高速公路事件管理交通参数精度要求确定可行方案及最佳方案，研究结果表明：在保证满足ITS对交通参数精度要求的同时，通过数据挖掘技术降低了交通流信息采集固定型检测器的配置密度及成本，为固定型交通检测器配置密度的优化提供了一种简单可行的新方法。     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

��·������ս�ͨ��Ԥ�⼼���Ż���Ӧ���о�

为更准确掌握公路接入段日交通量变化趋势,提高扰动路段交通量预测精度,利用曲线拟合法,建立观测路段基年交通量时间序列模型,结合ACF、PACF图例,应用ARIMA技术和Logistic回归曲线拟合方法,进行模型的识别、细化,而后进行参数估计和模型诊断,确定最佳交通量预测模型,完成模型优化。实例应用结果表明,利用ARIMA技术和Logistic回归曲线拟合方法优化的模型比不考虑观测交通量自相关内容的模型预测精度高,预测误差均值仅为1.53%。     

����OLAM�ĸ��ٹ�·��ͨ����άԤ���о�

OLAM是联机分析处理与数据挖掘的有机结合,本文以高速公路收费数据为基础,提出一种基于OLAM实现高速公路交通量多维预测的方法.该方法构建了多维数据雪花模型,建立起收费数据的数据仓库并得到交通量多维统计结果;在构建季节ARIMA预测模型过程中,检测出因节假日、恶劣天气导致的交通量异常值并对模型进行修正;最后利用修正后的模型实现了交通量的预测.与一般季节ARIMA模型相比,修正后模型的白噪声方差和AIC值显著降低,数据拟合程度明显提高.实验结果表明,该方法具有较高的预测精度,其中MAE和MAPE分别为50.43和1.59%,能够满足高速公路管理部门利用收费数据分析、预测交通量时空变化趋势的要求,从而为制定各项政策提供理论依据和决策参考.     

基于乘积ARIMA模型的城市轨道交通进出站客流量预测

基于城市轨道交通自动售检票（Automatic Fare Collection,AFC）系统采集的进出站客流的历史数据,构建乘积差分自回归移动平均（Auto-Regressive Integrated Moving Average,ARIMA）模型,实现对进出站客流量的精确预测.通过自相关和偏自相关函数进行数据的平稳性和周期性分析,消除趋势性和周期性特征影响;考虑到处理后数据的周期性和短期相关性之间的乘积关系,构建乘积ARIMA进出站客流预测模型,并以广州地铁各车站进出站客流量数据为例进行了模型的参数标定.模型预测值与实际值的对比分析显示该模型的平均绝对百分误差保持在5％以内,表明该模型具有很高的预测精度和良好的适用性.     

路段上短时间区段内交通量预测ARIMA模型

探讨了用于路段上小时间间隔里交通量预测ARIMA模型的一般形式及其参数标定、检验、预测的方法,进一步探讨了它的应用.     

基于深度CNN-LSTM-ResNet组合模型的出租车需求预测

利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.