基于PSR-PSO-RBF的短时交通流预测方法

短时交通流预测可为智能交通控制和管理提供决策依据,为了提高短时交通流的预测精度,统筹考虑短时交通流的混沌时间序列和非线性特征,提出一种基于相空间重构和PSO-RBF的短时交通流预测方法(PSR-PSO-RBF方法).采用延迟嵌入定理,构造一个基于相空间重构的短时交通流时间序列;在剖析RBF神经网络不足之处的基础上,采用...     

集装箱深水港交通需求预测方法研究

作为一个特殊的物流中心,集装箱深水港的交通具有鲜明的特点.从集装箱深水港的特点出发,提出集装箱深水港交通需求分析预测的流程与具体方法.结合大连市大窑湾港区的实际调查数据,对所提出的方法进行了实例说明.     

集装箱深水港交通需求预测方法研究

作为一个特殊的物流中心，集装箱深水港的交通具有鲜明的特点。从集装箱深水港的特点出发，提出集装箱深水港交通需求分析预测的流程与具体方法。结合大连市大窑湾港区的实际调查数据，对所提出的方法进行了实例说明。     

港区出入口客货专用闸口优化管理研究

闸口是港区集疏运交通的咽喉,闸口交通运行状况的好坏直接影响着港区出入口交通的运行效率,以闸口延误与交通冲突次数为交通运行效率和安全评价指标,确定仿真参数,设计仿真模型并进行仿真实验现行的客货混行闸口和客货专用闸口设计及动态管理因素下的延误及冲突数据。结果表明:与普通的客货混行闸口相比,取交通流量阈值较小时,运用客货专用闸口设计并实施动态管理的仿真模型延误和交通冲突次数都有着明显的优化,是一种有效且可行的方法。最后基于实验结论提出港区闸口的布置形式进行优化设计和动态管理的措施。     

基于零售终端数据的卷烟消费需求预测方法研究与探索

为准确掌握区域市场卷烟消费的真实需求，提高需求预测的准确率和科学性，为卷烟工商业企业货源采购与货源投放等业务提供数据支撑，文章结合烟草行业特点和统计工作方法，以某市级烟草公司零售终端市场为研究对象，提出了一种卷烟消费需求多元预测方法。该方法通过完善数据模型，强化预测数据资源管控，尝试将“业务公式预测法”和“时间序列模型”相结合，使用“直线趋势预测方法”和“季节性指数法”等分析方法，构建了一套市场真实消费需求分析预测方法和流程规范。应用该方法预期能实现区域市场卷烟需求预测工作随季节性和周期性变化的动态分析调整，具有很强的实用性和推广性，对区域市场卷烟消费需求预测工作具有一定的参考价值。     

考虑交通事件影响的城市道路行程时间预测

外部环境因素对城市交通预测有较大影响，尤其在交通事件发生时，由于交通流的随机性和非线性特征，交通异常情况下的预测精度往往较低。为此，基于深度学习理论，提出一种以序列到序列模型（Sequence-to-sequence，Seq2Seq）为主体，融合外部因素特征的城市道路行程时间预测方法。利用时间序列分解算法（Seasonal and Trend Decomposition Using Loess，STL）挖掘交通历史数据的时序周期规律，结合交通事件数据深入分析交通异常产生的原因，并建立堆叠降噪自编码器模型（Stacked Denoising Autoencoder，SDAE）提取时间属性和交通事件数据的潜在特征。以北京市北四环中路和G6京藏高速路段为例，对预测模型的准确性和可行性进行验证，通过重复性交通事件和非重复性交通事件下的案例试验，对SDAE组件的有效性进行分析。研究结果表明：模型的单步和多步预测性能均优于基线模型，预测精度最高达到了87.71%；与其他输入了交通事件数据的模型相比，以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性，能够适应复杂多变的交通流，在智能交通系统的短期预测上有显著的优越性，可以增强管理系统的调控能力，降低城市交通的拥堵成本。     

回响状态网络预测方法在桥梁健康监测中的应用

回响状态网络是一种模仿大脑神经元递归连接的新型回归神经网络,可有效处理非线性系统辨识以及混沌时间序列预测问题。针对莲花大桥的挠度数据,通过回响状态网络预测方法对其进行建模分析并进行趋势预测。实测结果表明:基于回响状态网络预测的精度较高,预测误差仅为0.796 1 mm,可为桥梁的安全运营预测提供可靠依据。     

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。     

基于多参数状态时间序列的交通状态预测方法

利用多个参数描述交通状态时,交通流数据表现为多维空间数据。提出了将属于每个状态的多维空间数据转换为一维时间序列的方法,对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测。实验结果表明,多参数状态时间序列比单个参数时间序列能更准确地描述交通流状态变化过程,且算法简单,具有较强的预测实时性。     

基于PCA-GBDT的城市道路旅行时间预测方法

城市道路旅行时间预测是城市智能交通管理系统和交通信息服务系统的重要基础。利用实测的车辆旅行时间数据,提出了进行城市道路旅行时间多步预测的主成分分析-梯度提升决策树(PCA—GBDT)方法。首先使用主成分分析方法进行旅行时间序列分解和主成分提取,之后建立了利用梯度提升决策树方法的旅行时间多时段预测模型。实际案例结果表明,与传统kNN方法、时间序列ARIMA方法、支持向量机(SVM)方法相比,PCA—GBDT方法具有更高的预测精度与算法稳定性。     

城市轨道交通客流预测算法研究

城市轨道交通客流预测是客运组织的基础,预测结果可为运营管理提供决策依据.针对城市轨道交通客流量预测问题,提出了一种ARMA-RBF组合客流预测算法:首先根据变点算法,通过对客流数据构成的时间序列处理得到变点集;然后基于小波变化对变点集进行去噪处理;最后利用ARMA-RBF算法对城市轨道客流进行预测.以北京地铁4号线新街口、平安里、西四地铁站进出客流数据进行方法验证,结果表明,相较于单独的ARMA算法或RBF神经网络算法,ARMA-RBF组合客流预测算法可提高城市轨道交通进站客流预测的精度.     

基于深度强化学习的自动化集装箱码头集成调度方法

针对自动化集装箱码头卸货过程中岸桥、智能运输机器人和场桥设备交互作业, 实际调度环境复杂多变等问题, 以最小化最大完工时间为目标, 构建基于混合流水车间的三阶段集装箱码头集成调度模型, 为解决自动化码头调度环境动态性强的特点, 使用1种深度强化学习算法(DDQN)进行求解。依据码头实际调度情况, 使用神经网络实时拟合动作-值函数, 把各阶段设备状态数据输入模型, 采用经验回放机制训练模型, 把单一启发式规则加复合启发式规则作为设备候选行为, 通过强化学习动作选择与动作评估机制, 得到最优的集装箱-设备组合策略, 并与精确算法和常用的几种元启发式策略进行对比分析。结果表明: 较大规模算例下, 与目前较为先进的粒子群算法相比, 所提方法的总作业时间平均降低了7.84%, 与理论下界值的差距分别为6.0%, 5.6%, 4.6%, 三阶段设备负载较为均衡, 设备平均利用率为89%, 满足实际应用需求; 小规模算例下, 与Gurobi求解器的总完工时间平均误差为1.99%, 且随着算例规模增加, 所提算法在求解时间上显现出一定的优势, 求解时间最大提升59%, 验证了所提方法对于提升自动化集装箱码头运行效率的可行性和高效性。      

基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究

对锂离子电池动力学系统进行了非线性特性分析,并判别了其混沌特性。采用相空间重构技术恢复锂离子电池动力学系统原有的混沌特性,得到多维状态空间的时间序列,利用LS-SVM模型对重构后的时间序列进行预测,获得荷电状态(State of Charge,SOC)的预测值。仿真结果表明:与BP神经网络预测模型相比,该预测方法具有较高的预测精度和较好的适应性,对实际应用具有一定的指导意义。     

集装箱港区道路交通量需求预测方法探讨

以集装箱港区为研究对象,将港区内交通量分为集疏运交通和非集疏运交通,按其特点采用总量控制法、类别生成率法等交通量需求预测方法分别预测。通过深圳港西部港区疏港道路工程的应用实例,对类似项目起借鉴指导作用。     

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。     

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CPT评价振冲密实法提高砂土抗液化的效果

砂土液化会引起地面喷水冒砂和不均匀沉降,危及建筑物的正常使用。对于有抗震要求的松散砂基,评价其抗液化性能是砂基设计的主要目的。文中结合埃及塞得东港集装箱码头二期水工工程砂土地基振冲处理前后的CPT结果,利用国内规范和国外液化判别方法预测其抗液化性能,验证了振冲挤密法可显著提高CPT的锥尖阻力,用振冲挤密法来加固松散砂基,提高其抗液化性能具有较好的效果。     

基于K近邻算法和支持向量回归组合的短时交通流预测

为了提高短时交通流的预测精度,向交通管理部门和出行者提供更加准确可靠的交通信息,基于非参数回归与支持向量回归方法的特点,提出了一种混合预测模型(KNN-SVR)。该模型利用K近邻方法的搜索机制,重建与当前交通状态近似的历史交通流时间序列,然后利用支持向量回归原理实现短时交通流预测。针对实际的交通流数据,考虑预测路段上下游交通流的影响,对提出的KNN-SVR模型的预测精度进行了分析。研究结果表明:同时考虑预测路段和其邻近路段交通流影响的KNN-SVR模型具有更好的预测精度,其预测误差最小,平均为8.29%,而仅仅考虑预测路段交通流影响的KNN-SVR模型,其预测误差略高,平均为9.16%;KNN-SVR模型的预测精度优于传统单一的预测方法,如K-近邻非参数回归、支持向量回归以及神经网络方法。     

关于智能运输系统的关键理论—综合路段行程时间预测的研究

行程时间预测是智能运输系统研究的一个重要问题，为此，建立了许多算法，有历史趋势方法，非参数回归模型、时间序列方法、神经网络、卡尔曼滤波、交通模型和动态交通分配模型等。然而，在变化的交通状况和任意时段的条件下，这些方法和模型都不能取得令人满意的预测结果。文中首先吉这些已有的预测方法和模拟，然后提出一种综合模型。     

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。