基于GPS数据的出租车出行需求预测研究

近年来“网约车”数量越来越多，“网约车”等待时间长与载客热区需求大等问题也逐步显现，乘车体验亟需改善。在成都市出租车GPS数据的基础上，研究出租车出行分布规律，划分工作日为早、晚、夜高峰相关时段，引入k-距离曲线改进DBSCAN空间聚类算法，对出租车上下客点进行聚类分析，并用数据挖掘得出载客热区。采用BP神经网络预测载客热区的出行需求，预测结果表明，早高峰时段BP神经网络模型的MAPE分别较随机森林模型、岭回归模型提高了3.25%和5.87%，晚高峰时段提高了2.98%和4.32%、夜高峰时段提高了1.44%和2.58%，验证了BP神经网络在出租车需求预测方面的可行性。      

基于混合机器学习框架的网约车订单需求预测与异常点识别

城市网约车订单需求体现了居民出行活力,同时表征了出行规律和内在特征。如何从复杂动态的时变数据中准确地识别异常点并进行调度优化,是优化网约车平台运力的关键环节。建立了网约车订单需求数据的时间序列图,并分析了订单需求的动态特性,提出1种基于混合机器学习框架的网约车订单需求预测模型（ARIMA-BPNN-DSR, ABD）。混合模型由差分整合移动平均自回归模型（auto regressive integrated moving average model,ARIMA）和反向传播神经网络（back propagation neural network,BPNN）通过动态选择回归算法（dynamic selection of regression,DSR）融合而成。混合模型汲取了统计方法的鲁棒性和机器学习方法的高效性,并考虑各个独立基线模型在数据局部空间上的性能表现。以2019年和2020年（疫情影响下）厦门市滴滴网约车平台订单数据作为试验基准并进行对比分析,结果表明：(1)与多个基线模型相比,ABD模型实现了最优的预测性能,同时在面向疫情外部因素影响下同样表现出优异的性能;(2)消融实验表明,...     

融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测

电动汽车锂离子动力电池健康状态（SOH）衰退过程受使用工况影响存在较多波动,导致模型预测精度下降,在锂电池剩余使用寿命（RUL）短期预测时,SOH波动情况不可忽略,为了准确预测SOH短期内波动情况,须从实车上传的锂电池运行数据中提取有效的健康因子。本文建立一种联合分布特征输入和序列分解融合的锂电池RUL预测方法,使用K-means聚类方法构建车辆锂电池运行过程的联合分布特征,并通过S-G滤波器对SOH衰退曲线进行序列分解,分别使用长短时记忆神经网络（LSTM）和多层感知机（MLP）对趋势部分和波动部分进行预测,融合得到最终预测结果。理论分析和实车采集数据验证表明,融合模型可以在预测车辆锂电池RUL短期衰退趋势的同时预测SOH的波动情况,有较高的短期预测精度。     

基于粒子群和LSTM模型的变区间短时停车需求预测方法

停车信息是智能停车诱导系统得以成功实施的关键与基础,被广泛认为能够有效解决当前停车难问题.鉴于停车信息在解决停车问题中的重要性,研究了基于粒子群和LSTM模型的变区间短时停车需求预测方法.为充分发挥数据在提高模型预测精度的作用,提出了以马尔可夫生灭过程为基础概率转移模型,将停车到达率、离开率量化车随时间变化的停车需求,...     

基于充电健康因子优化和数据驱动的锂电池剩余使用寿命预测

针对因选取的健康因子不理想导致锂电池剩余使用寿命（RUL）预测精度不高的问题,提出了一种基于充电健康因子优化和数据驱动的电池RUL预测方法,首先提取电池充电过程中的各种健康因子,再使用两步最大信息系数法优化特征子集得到优化的健康因子,最后使用带有注意力机制的时间卷积神经网络（ATCN）预测电池的剩余使用寿命,通过对美国国家航空航天局（NASA）锂电池老化数据的研究,验证了所提出的锂电池RUL预测框架,并与简单循环神经网络（SimpleRNN）、长短期记忆（LSTM）神经网络和门控循环单元（GRU）神经网络等建模方法进行比较,结果表明,所提出的方法在各数据集上均取得了最优的预测结果。     

基于网约车数据的居民出行需求特征分析及需求预测

采用南京市网约车数据研究居民出行行为特征.首先,根据不同的土地类型,将南京市核心区划分为102个独立小区;然后,对出行需求的时空特征分析可以动态调整一天内不断变化的出行需求和交通供给;最后,采用WAVE-SVM耦合模型来预测居民出行需求,结果表明该方法具有较高的预测精度,还可以捕捉到短时交通需求的非平稳特性.     

实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命（RUL）预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法，本质上是一个递推的过程，每一次预测的误差会随预测次数增加而累积，难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论，建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法，使用编码器-解码器（ED）框架改进长短时记忆神经网络模型（LSTM）构建从序列到序列预测的EDLSTM模型，并融合ARIMA模型预测误差趋势，进而修正最终预测结果。理论分析和实车采集数据验证表明，该方法在预测比例超过历史数据总量35%的情况下，仍然能较好地拟合实车SOH衰退曲线，有效提高锂电池剩余使用寿命的预测精度。     

基于时空注意力机制的STA-GRU船舶轨迹预测方法

船舶轨迹预测的精度关系到船舶智能航行水平。针对门控循环单元（gated recurrent unit, GRU）提取船舶时空信息数据能力不足,导致轨迹预测精度不佳的问题,研究了基于时空注意力机制的GRU船舶轨迹预测方法（spatial-temporal attention mechanism-gated recurrent unit, STA-GRU）。将传统GRU中的激活函数改进为加权激活函数组,以保留更完整的船舶轨迹数据;引入空间注意力机制模块提取船舶空间位置信息的特征,以船舶经纬度及相对经纬度数据作为输入序列,计算对应的空间权重注意力因子,获得空间特征向量;再引入时间注意力机制模块挖掘观测时段内历史轨迹特征向量的时空依赖性,以历史轨迹数据中的航速、航向拼接空间特征向量作为输入序列,计算时空权重注意力因子,将获得的时空特征向量作为STA-GRU模型的训练数据集,用于船舶轨迹预测。采用青岛港AIS数据开展实验验证,以输入时长20 min,采样频率2 min作为输入条件,构建船舶航行轨迹数据集,结果表明：对比LSTM、AT-GRU、Bi-GRU算法,STA-GRU模型不仅在训练过程中收...     

基于小波优化GRU-ARMA模型的空中交通流量短时预测方法

空中交通流量短时预测是空中交通管理的基础,是有效缓解交通拥堵问题的前提。为提高空中交通流量短时预测的精度,减小空中交通管制员的工作压力,提出了基于小波优化GRU-ARMA的空中交通流量短时预测方法。在传统预测方法的基础上,通过小波变换对原始流量数据进行多尺度分解,提取不同频率交通流量的细节特征,对原始流量数据进行预处理。同时,根据小波变换,在低频处将频率细分作为趋势项,高频处将时间细分作为噪声项。其中,趋势项反映了空中交通流量随时间演化的整体趋势性,噪声项反映了随机因素对空中交通流量的综合影响。使用门控循环单元（GRU）神经网络模型预测趋势项,自回归滑动平均模型（ARMA）模型预测噪声项;将趋势项和噪声项的预测值叠加,得到最终的短时流量预测值。误差分析表明,该方法在每个预测点上的误差保持在2%左右,预测效果稳定;而直接采用原始流量数据进行预测的GRU、BiLSTM、CNN-LSTM神经网络模型及单一的ARMA模型,每个点的预测误差在5%~37.14%之间。与GRU、BiLSTM、CNN-LSTM神经网络模型相比,该模型的预测精度分别提高了3.02%,5.39%,5.05%。      

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...     

外部交通区划分方法的改进研究

外部交通区的划分是资料收集和需求预测的基础。分析了运输需求预测中常见的外部交通区划分方法,找出了其存在的问题。建立了对外运输需求的概率分布模型,提出了改进的外部交通区划分方法。并基于改进的外部交通区划分,提出了对外运输需求方式分担预测的思路和步骤。最后,结合河南省驻马店市综合客运需求现状对该方法进行了验证。结果表明：改进的外部交通区划分方法能在不进行OD调查的前提下显著降低方式分担预测的误差,有很强的工程应用价值。     

基于无迹卡尔曼滤波和门控循环单元的道路坡度估计

针对外接激光雷达等传感器普适性差,而传统道路坡度估计方法仅根据车载CAN总线数据在车辆起步、换挡、制动和停车4种特殊工况中的估计误差较大的问题,提出了一种基于无迹卡尔曼滤波（UKF）和门控循环单元（GRU）的道路坡度估计方法。根据车速等数据识别工况,在非特殊工况下,建立车辆动力学模型并采用UKF来估计坡度;在特殊工况下,将规律性不稳定的时序坡度转换为距序坡度,并利用GRU进行短距坡度预测。仿真和实车试验结果表明：在非特殊工况下,该方法通过UKF可准确估计道路坡度;在特殊工况下,该方法通过GRU可有效跟踪距序坡度变化趋势,显著提高了道路坡度估计精度。     

雷暴风作用下大跨度桥梁抖振响应智能预测研究

面向特异风环境桥梁风振实时推演，开展了雷暴风作用下大跨度桥梁抖振响应智能预测研究。以苏通大桥实测数据为基础，分析了风场参数与主梁抖振响应之间的相关性，确定了桥梁雷暴风效应的主要关联参数。基于前馈神经网络(FNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、门控循环单元(GRU)等典型神经网络模型，以主要风场关联参数及历史抖振响应作为输入，开展了桥梁抖振响应预测网络架构与模型训练，并对比分析了4种模型的预测效果。研究结果表明：雷暴风作用下大跨度桥梁的抖振响应主要与平均风速、平均风向、脉动风速均方差、紊流积分尺度等风场参数密切相关；待预测的桥梁抖振响应与历史风场及桥梁状态参数有关，需考虑二者的记忆效应；FNN与CNN未能较好地表征该记忆效应，故预测结果与实测值仅趋势相近，预测误差相对较大；GRU与LSTM的预测效果总体较好，GRU在雷暴风风速较大时的预测效果最优；LSTM在高风速下的预测效果略低于GRU,但在风速较低时的抖振预测精度最高，即具有更强的泛化能力。研究结果可为雷暴风易发区大跨度桥梁的安全运维提供借鉴与参考。     

基于滑动窗口动态输入LSTM网络的铁路运输系统碳排放量预测方法

铁路运输的低碳发展对交通系统实现“双碳”战略目标有着重要意义。针对当前铁路运输碳排放预测研究较少、预测精度不高的问题,考虑碳排放时间序列数据中历史信息和当前信息间的相关性,引入滑动窗口,结合长短期记忆（LSTM）网络,构建铁路运输碳排放量预测模型。采用灰色关联分析法计算铁路运输碳排放量各影响因素的关联度值,筛选铁路运输碳排放量的关键影响因素,使用高关联性数据作为预测模型的输入变量,提高预测精度;应用LSTM网络为基础预测模型,通过引入滑动窗口改进神经网络的数据输入;考虑未来减排政策变化对铁路运输碳排放量的影响,融合基于动态政策的情景分析,构建铁路碳排放预测模型,并利用多项式误差拟合方法进行误差修正,提高预测结果准确性。以1980—2019年铁路运输碳排放相关数据为例,从现有文献中总结出17个铁路碳排放影响因素,利用灰色关联分析法从中筛选出6个关键因素,通过滑动窗口对筛选出的数据进行子序列分割,测试不同长度窗口下的预测精度,选择最优窗口参数,建立改进LSTM模型进行预测,并将预测结果与原LSTM、BPNN和RNN模型进行对比,结果表明：改进LSTM模型将相对误差平均值降低至0.392%,...     

基于BiLSTM神经网络的交通事故黑点路段日均事故频次预测方法

为交通管理部门和出行大众提供精准的事故高发黑点预警信息具有重要的意义。为此,研究了1种基于双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）的黑点路段交通事故频次预测方法。通过对传统K-means聚类算法的k值选取进行改进,实现了道路交通事故黑点的有效识别,并统计黑点每天事故数作为事故时间序列;利用小波分解对该序列进行降噪处理,通过多层网格搜索法对隐藏层层数、神经元个数等模型的参数进行标定,构建了基于BiLSTM网络的事故频次预测模型;采用滑动窗口的方式将事故时间序列作为内部参数输入模型,以交通流量、节假日、事故天气和事故发生环境等特征作为外部参数,对事故黑点路段未来1 d内可能发生的事故数进行预测,并基于预测结果提出了1种事故黑点路段交通事故预警模型;以浙江省宁波市交警部门某辖区2020年4月—2021年9月常态采集的事故数据为测试集,以7 d的事故数据预测未来1 d的黑点路段事故频次,将BiLSTM模型与门控循环神经网络（GRU）模型、长短期记忆神经网络（LSTM）模型、反向传播神经网络（B...     

基于PEST分析的纯电动汽车作为网约车竞争环境研究——以三四五线城市为例

网约车合法化后,具有运营成本低、环境友好等优点的纯电动车进入网约车市场。但在三四五线城市,纯电动网约车的渗透率比较低。为了推动纯电动汽车进一步进入网约车市场,基于网约车市场和纯电动车特点,借助政治、经济、社会、技术（Politics Economy Society Technology, PEST）分析法从政策、经济、社会和技术四个宏观环境对纯电动车作为网约车在三四五线城市竞争环境进行分析,研究制约纯电动网约车在三四五线城市发展的宏观因素,并针对性提出纯电动网约车的发展建议及措施,即地方政府通过制定宽松政策和合理规划充电设施鼓励纯电动汽车的使用;网约车平台采取降低挂靠费用、差异化服务价格等措施,引导驾驶员和客户使用纯电动网约车,从而提高纯电动汽车在三四五线城市网约车中的渗透率。     

基于图神经网络的交互车辆驾驶意图识别及轨迹预测

为实现周围车辆行驶轨迹的准确预测，运用深度学习方法，设计了一种基于图神经网络与门控循环单元（GRU）的驾驶意图识别及车辆轨迹预测模型。驾驶意图识别模型将车-车间的交互关系构造成时空图，运用图神经网络学习其交互规律，并利用Softmax函数计算出不同驾驶意图的概率；轨迹预测模型采用编码-解码的GRU网络，编码器将车辆历史轨迹信息进行编码并融合识别的驾驶意图信息，再通过解码器实现轨迹预测。最后采用NGSIM数据集对模型进行训练和验证，结果表明：所提出的模型能够更好地识别车辆的驾驶意图，且考虑驾驶意图的车辆轨迹预测模型能够有效提高预测精度。     

基于PCA-GRU的轻型汽油车NOx排放预测

为建立一种轻型汽油车NOx排放预测模型,在昆明市内采用便携式车载排放测试系统（Portable Emission Measurement System,PEMS)对一辆轻型汽油车进行实际行驶污染物排放（Real Drive Emission,RDE）测试;利用主成分分析算法（Principal Component Analysis,PCA）对影响轻型汽油车排放的特征参数进行降维,将降维后的数据作为门控循环单元神经网络（Gated Recurrent Unit,GRU）的输入,建立基于PCA-GRU的排放预测模型,对轻型汽油车的NOx的排放量进行瞬时预测。结果表明,PCA-GRU模型对NOx的预测结果的平均绝对误差为0.133mg/s,绝对系数为0.88,相比于单一的GRU模型,分别提高了42.4%和8.6%。该排放预测模型可以实现对轻型汽油车NOx排放较准确的预测,具有一定的工程价值。     

基于LSTM的平面交叉口短时交通流预测

针对平面交叉口四方向进口的交通流量具有时空相关性的特点,提出了一种基于长短期记忆LSTM(Long Short-Term Memory)网络的平面交叉口短时交通流预测模型。将以四方向进口历史交通流数据为基础的四维时间序列数据输入LSTM模型中进行训练,并使用OpenITS合肥示范区数据对提出的模型进行验证。结果表明,与传统的BP神经网络相比,该方法预测效果具有更好的表现,是一种预测精度高的预测方法。     

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。