基于公路网的交通量预测方法探究

本文分析了逻辑斯蒂曲线和定标模型S曲线的特征和参数标定.在此基础上提出将这两种曲线模型结合起来的交通量预测模型,并应用于规划公路网路段的交通量预测,取得了较好的预测结果.     

基于Logistic和S曲线的交通量预测方法

分析了Logistic曲线和定标模型S曲线的特征和参数标定,提出了将这2种曲线模型结合起来的交通量预测模型,并应用于广东省国省道“十一五”规划公路网路段的交通量预测,取得了较好的预测结果。     

公路网交通量预测在干线公路网规划中的应用

结合实际案例,通过“四阶段”法和交通增长率分析法对公路网交通量进行预测,对比分析两种方法的预测结果得出各规划线路交通量的最终预测结果,并依此计算出规划干线公路网中各路线的重要度,提出各路线的等级配置.对两种交通量预测方法在预测中的综合运用,以及利用交通量预测结果计算出的路线重要度来确定各路线的等级配置,可为同类工作提供借鉴.     

公路网路段交通量预测模型研究

在传统的路段交通预测方法的基础上,提出路段交通量OD模型法。根据实际道路网的形状,通过使路段交通量的预测值与预测值一致来进行模型推算。与现有方法相比,可得出精度更高的结果。     

河北省公路网交通量预测技术研究

为研究适合于河北省公路网络的交通量更新方法,利用最大可能相对误差上限和约束域最小化对OD反推技术中的流量观测点选取进行建模,可提高交通量更新的精度,相关研究成果改善了河北省交通量预测模型,能很好地运用于河北省公路交通规划、管理和决策。     

区域公路网交通量预测的N—R模型

公路网交通量的预测是公路网规划的一个基本问题。本介绍一种甘于重力理论的网络关联模型（简称Ｎ－Ｒ模型），只需根据区域内节点经济发展的规模、网络距离参数和网络现状交能量，就可网络交通量，因而比常用的“四阶段” 法简便。实践表明，该模型尤其适合辰煌坎淮蟮那蚵吠煌吭げ狻?     

省级公路网规划中免OD调查的交通量预测方法

交通部颁发的《公路网规划编制办法》中规定的四阶段交通量预测方法需要以现状公路网OD调查结果为基础,而OD调查是一项耗费巨大财力、物力和时间的工作,并且调查所得也仅仅是不稳定的小样本抽样调查结果,实际应用存在一些问题.全国各省近30 a的公路建设积累了大量的工程可行性报告,并且这些可行性报告中关于交通量调查的数据也都曾耗费了大量投入,工程建设完成后就一直没有再被充分利用过.本中利用公路可行性报告数据,探索在区域路网规划中不进行网络OD调查条件下的交通量预测方法.这种预测方法可以节约大量的用于调查的经费和人力投入,也可以显著节省规划工作时间,而实用效果令人满意.     

基于OD调查矩阵的公路网络交通量预测

交通量的发展预测在公路网络的规划工作中占有重要的地位。以四阶段法为例详细阐述了路网交通量的预测理论和过程,并指出了预测过程应该引起重视的影响因素,为该方法的准确应用提出了明确要求。     

免OD调查的公路交通量预测方法研究

在系统分析道路交通量预测特点基础上，运用主成分分析法建立节点重要度函数，然后针对路网形态变动不大、较大两种状况探讨了推断路段交通量的方法，最后结合某区域公路网规划进行了实际运用，具有一定的实用性。     

区域县乡公路网规划交通流量预测研究

介绍了运用PCA法建立节点重要度函数，并应用节点重要度推断路段交通量，还作了实例应用。     

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。     

公路建设项目中的交通量预测

从公路建设项目自身特点出发,探讨了在区域社会经济发展预测的基础上应用四阶段法进行公路建设项目中的交通量预测方法。     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支...     

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.     

��������������ĵ�·��ͨ�¹�Ԥ��

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

基于云-自组织神经网络的交通流预测模型

现代交通系统结构复杂,涉及的数据类型和数量众多,模糊性、随机性和不确 定性等因素的存在增加了数据分析过程中定性与定量综合集成的难度.本文对城市交通 流预测进行了研究,根据云模型和自组织神经网络的特点,构建了云-自组织神经网络 交通流预测模型.该预测模型运用云模型处理数据的模糊性和随机性问题的优势,提高了 自组织神经网络预测中学习样本数据的可靠性.通过对某城区的实际数据进行对比测算, 改进的预测模型比单纯使用自组织神经网络预测模型决定系数更高.结果表明,本文提出 的模型在交通流预测中提高了准确率,降低了预测泛化误差.     

基于量子神经网络的道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

公路交通网络分析

目前农村县乡公路和小城镇的公路交通都存在不少问题，城乡的发展要求城市内部、城市之间的交流和联系快捷方便，城市规模的扩大，农村人口向城市的转移，要求有完善的交通网络，而公路作为现代化交通发展的必然产物，可以其特有的优势带来交通的高速和畅通，促进城乡的经济发展繁荣。