交通量预测的支持向量机回归法

针对目前交通量预测中所广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点．一种新的预测方法——基于结构风险最小化的SVMR交通量预测模型经实践证明能够较好地解决道路交通量预测问题。     

基于弹性系数法的鱼田堡至石林公路交通量预测

交通量预测分析是道路建设可行性研究的重要环节,将预测的远景交通量划分为趋势交通量和诱增交通量。以重庆市万盛经开区鱼田堡至石林公路为例,基于弹性系数法,对远景交通量进行预测分析和计算,建立了回归预测模型,选用指标高度相关验证了计算的合理性,经综合分析预测,确定了各时期客货运弹性系数值,该交通量预测方法可为类似交通规划提供理论参考。     

基于ARIMA模型的高速公路交通量短期预测

高速公路交通量的准确预测,对于高速公路的发展和养护具有重要的作用。基于交通量预测的重要意义,建立了ARIMA(2,1,3)时间序列分析模型,采用四川省成渝高速公路公开的交通量数据,对该高速公路四川省内路段2013年的月交通量进行了预测,再与实际交通量数据进行对比,并将其与基于最小二乘法的CurveExpert软件预测结果进行比较,得出ARIMA(2,1,3)模型预测精度更高的结论。所建立的模型可以为交通运输管理部门的政策制定提供参考依据。     

基于混沌高效遗传算法优化SVM的交通量预测

针对交通量预测本身所存在的小样本、非线性和复杂性等特点,利用支持向量机建立了基于RBF核函数的SVM交通量预测模型,采用基于混沌映射和加速遗传算法的混沌高效遗传算法对SVM模型参数C,ε和δ2进行优选,结合某市1978～2008年交通量实测资料进行了仿真验证,与GA-SVM模型和BP神经网络模型的仿真预测结果对比表明:该模型取得了较好的预测效果,可有效应用于城市交通量的预测.     

基于混沌理论和神经网络的交通量预测

针对目前交通量预测不能很好地满足智能交通管理需求的现状,分析交通量数据内在混沌特性,主要包括时间延迟、嵌入维数、关联维数及Lyapunov指数的计算,并将此分析耦合人工神经网络模型进行预测,最后给出北京环路上某车道交通量预测的实例,结果显示基于混沌时间序列分析的神经网络交通量预测在数据动力特征刻画及误差控制上有显著优势。     

交通量组合预测方法研究

建立起基于灰色预测、三次指数平滑预测、非线性回归预测的交通量组合预测模型。通过实例分析发现,组合预测模型相比单个预测方法具有更高的精度,能够较准确地预测未来几年的公路交通量情况。     

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。      

用BP神经网络预测下游交叉口进口交通量

城市交通控制系统在进行区域交通协调时,必须提前预测进入下游交叉口的交通量。由于交通流的非线性、不确定性、随机性和离散性,常规数学模型在预测下游交叉口的交通量时存在不少的困难。实践证明,基于BP神经网络的下游交叉口交通量预测模型,结合交通调查数据,对下游交叉口交通量进行预测,可以取得令人满意的效果。     

基于综合运输网络的公路建设项目交通量预测方法研究

分析了传统公路建设项目交通量预测方法存在的主要问题。从综合运输的角度出发,提出了基于综合运输网络的公路建设项目交通量预测方法,并对预测方法涉及的具体模型进行了讨论。认为应用该方法可以客观反映公路与其它运输方式之间的作用关系、准确描述交通量的转移规律、充分把握建设项目在综合运输网络中的作用和地位,使预测结果更加合理、有效。     

基于GM-BP神经网络的交通量预测

针对城市道路交通系统的复杂性和随机性,应用灰色理论和神经网络知识,建立了基于灰色理论和BP神经网络的城市道路交通量GM-BP神经网络预测模型.随后运用该预测模型对城市道路的交通量进行预测,预测结果表明：GM-BP神经网络预测模型所得预测结果平均相对误差为1.17%,与单一的灰色新陈代谢预测模型相比具有预测精度高的优点.