基于SARIMA模型的广珠城际铁路客流量预测

为实现铁路车站发送客流量的短期预测,研究预测步长对短期客流预测效果的影响,分析了广珠城际铁路车站发送客流的特征和变化规律,结合客流特征及季节性差分自回归滑动平均模型（seasonal autoregressive integrated moving average,SARIMA）的适用性,构建了SARIMA客流预测模型,利用Python软件中的Statsmodels模块完成了SARIMA客流模型的精细化调参,以广州南站、小榄站的发送客流量为例验证了模型的有效性. 结果表明,SARIMA预测模型可以较好地适用于不同数量等级的客流预测,其预测精度随预测步长的增加而降低. 预测步长为1时,广州南站、小榄站、珠海站客流预测平均绝对百分比误差（mean absolute percentage error,MAPE）值分别为3.97%,5.83%,5.43%;预测步长增加为2时,各车站客流预测误差显著增加,广州南站、小榄站、珠海站客流预测误差MAPE值分别为5.31%,6.79%,7.62%;预测步长大于2时,预测误差基本保持稳定. 将SARIMA模型预测效果与随机森林（random forest, RF）、支持向量机（support vector machine, SVM）、梯度提升算法（gradient boosting, GB）、K最近邻算法（K-nearest neighbor, KNN）模型或方法的预测效果进行对比,预测步长为1时,SARIMA模型预测效果略优于其余4种模型,5种预测模型预测精度差距较小;预测步长大于1时,RF、SVM、GB、KNN模型预测误差随预测步长显著增加,预测误差为SARIMA模型的数倍. SARIMA模型在客流时间序列的多步预测方面具有较大的优势.      

基于GRA 与KPCA 的LSSVM 物流需求预测

为降低物流需求建模中最小二乘支持向量机（LSSVM）的结构复杂性、进一步提高LSSVM对物流需求的预测精度,提出一种基于灰色关联分析（GRA）与核主成分分析（KPCA）的LSSVM预测方法.首先利用GRA找出物流需求的主要影响因素;然后利用KPCA提取主要影响因素的非线性主成分,消除因素之间的多重相关性;最后,将提取出的非线性主成分作为LSSVM的输入变量,构建物流需求预测模型,并采用改进粒子群 (IPSO)算法调整LSSVM参数.运用该方法对我国物流需求进行实例分析,结果表明,该方法有效减少了LSSVM输入变量个数,简化了LSSVM结构,并且在一定程度上提高了物流需求预测精度.     

����GRA ��KPCA ��LSSVM ��������Ԥ��

为降低物流需求建模中最小二乘支持向量机（LSSVM）的结构复杂性、进一步提高LSSVM对物流需求的预测精度,提出一种基于灰色关联分析（GRA）与核主成分分析（KPCA）的LSSVM预测方法。首先利用GRA找出物流需求的主要影响因素;然后利用KPCA提取主要影响因素的非线性主成分,消除因素之间的多重相关性;最后,将提取出的非线性主成分作为LSSVM的输入变量,构建物流需求预测模型,并采用改进粒子群(IPSO)算法调整LSSVM参数。运用该方法对我国物流需求进行实例分析,结果表明,该方法有效减少了LSSVM输入变量个数,简化了LSSVM结构,并且在一定程度上提高了物流需求预测精度。     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

交通流短时预测的相关性研究

交通流短时预测中,多个检测点的道路交通状态间的时空联系是客观存在的,但以往研究中通常根据经验假定,很少定量研究其相关性. 本文引进了多元统计分析中的多维标度法对多断面时间序列的相关性进行定量分析,为合理进行多断面短时交通流预测研究提供基础. 首先,根据道路网多个断面各自的时间序列利用相关系数方法得到两两之间相关性的相关系数矩阵,然后,利用多维标度法将道路网中多个断面交通流的相关程度映射到一张二维拟合构图中,以拟合构图中代表各个断面的点之间的欧几里得距离来体现断面之间的相关强度,从而判别断面之间相关性强弱,确定道路网多断面短时交通流预测时相关性分组. 最后,根据相关性分析结果进行多断面交通流预测及效果比较,验证了方法的可行性和有效性.     

��ͨ����ʱԤ���������о�

交通流短时预测中,多个检测点的道路交通状态间的时空联系是客观存在的,但以往研究中通常根据经验假定,很少定量研究其相关性. 本文引进了多元统计分析中的多维标度法对多断面时间序列的相关性进行定量分析,为合理进行多断面短时交通流预测研究提供基础. 首先,根据道路网多个断面各自的时间序列利用相关系数方法得到两两之间相关性的相关系数矩阵,然后,利用多维标度法将道路网中多个断面交通流的相关程度映射到一张二维拟合构图中,以拟合构图中代表各个断面的点之间的欧几里得距离来体现断面之间的相关强度,从而判别断面之间相关性强弱,确定道路网多断面短时交通流预测时相关性分组. 最后,根据相关性分析结果进行多断面交通流预测及效果比较,验证了方法的可行性和有效性.     

基于时延特性建模的多断面短时交通流预测

针对现有交通流预测方法未充分考虑多断面车流演变规律，提出基于时延特性建模的时空相关性计算方法. 该方法采用对不同断面、不同时刻交通流的分布相似性度量，对输入的车辆到达数据序列进行切割构建时空相似度矩阵，得到相邻断面之间的时延参数. 基于时延特性建模，将多断面之间的流量信息进行融合，使用长短时记忆(LSTM)网络进行流量预测. 通过对实际路段数据的预测和结果分析，验证所提方法的有效性和实用性.     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷,提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构,完成长短时记忆模型的逐层构建,实现本地保存并根据预测精度进行自适应更新,将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明,提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型,具有较强的实用性.     

短时交通流预测模型

针对短时交通流变化周期性与随机性的特点,提出了新的混合预测模型,包含非参数回归模型与BP神经网络模型2种单项模型。非参数回归模型利用相关历史交通流数据,通过数据库匹配操作,确定预测结果,以充分体现交通流的周期稳定性。采用3层BP神经网络模型反映交通流的动态与非线性特点。采用模糊控制算法确定各单项模型的权重,并按不同权重有效组合成新的混合模型。采用西安市某路段30d的交通流量数据验证混合模型的预测效果。试验结果表明:该混合模型的平均相对误差为1.26%,最大相对误差为3.53%,其预测精度明显高于单项模型单独预测时的精度,能较准确地反映交通流真实情况。     

基于非参数回归的短时交通流预测研究综述

短时交通流预测是实现交通控制和诱导的关键问题之一。综述了基于非参数回归的短时交通流预测方法,指出了状态向量的选取没有考虑天气环境等存在的问题,提出了改进思路和方法,即基于动态聚类和决策树的历史数据组织方式、时空一天气环境相结合的状态向量选取方法以及基于密集度和状态向量的自适应变K机制等,期望通过这些改进能提高基于非参数回归短时交通流的预测精度,为交通控制和交通诱导建立基础。     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

�����������SARIMA���ģ�͵Ķ��ڽ�ͨ��Ԥ��

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点。构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势。实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型。然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测。     

���ڻ���ʱ�����з������Ķ�ʱ��ͨ��Ԥ���о�

交通流预测分析已成为智能交通的核心研究内容之一。依据混沌时间序列分析方法,建立了短时交通流的预测模型。在对实测的交通流数据进行相空间重构的基础上,综合考虑欧氏距离和均等系数,提出了最邻近点的两步优化选择方法,并采用了局部多项式拟合方法对所选取的最邻近点进行逼近以求得预测公式。本文将此方法运用于东莞东江大道流量预测,比较预测流量和实测流量,得出最大相对误差为0.445％,最小相对误差为0.038％,且单步预测时间仅为38.52秒。结果表明,该预测模型具有较高的精度,同时也能够满足实时性的要求。     

���ڷ������۵Ķ�ʱ��ͨ��Ԥ���㷨

城市交通诱导与控制需要短时交通流预测作为依据,当预测时间小于5 min时,常用的短时交通流预测方法往往难以满足精度要求. 为了提高短时交通流预测的精度,针对短时交通流的非线性特征,采用基于分形的方法可以缩短预测时间、提高预测精度. 在G-P算法基础上,本文利用欧式模定义相空间任意两点间的欧式距离,并采用筛选法计算备选点的欧式距离,以此提高计算速度,使预测2 min内的交通流成为可能. 以北京西直门至阜成门段一天的断面交通量为实例,应用基于分形的短时交通量预测算法,对712个有效数据点的后30点进行预测,预测精度达到92％以上.     

基于CNN-LSTM组合模型的铁路枢纽站出租车需求量短时预测研究

考虑铁路枢纽出租车客流需求量短时波动和历史时间序列等影响因素,为提升铁路枢纽站出租车需求量短时预测精度,提出了一维卷积神经网络(CNN)与长短时记忆神经网络(LSTM)的组合预测模型(CNN-LSTM)。采用人工计数法,获取铁路枢纽站出租车客流需求的时间序列数据,根据供需量平衡理论,建立理想条件下需求量短时计算模型。以标准化原始数据为CNN的输入,分别通过双层卷积和池化,提取原始数据特征向量输入特征,并以此作为LSTM的训练数据进行短时预测,将预测数据标准化还原后可得到匹配原始数据的预测数据。对比分析SARIMA、LSTM预测模型,构建的CNN-LSTM组合模型RMSE值有所降低,表明构建模型适用于铁路枢纽出租车需求量短时预测。     

基于CNN-LSTM网络模型的风电功率短期预测研究

风电功率预测对电力系统的稳定运行与经济调度至关重要。为充分挖掘历史数据中的有效信息以提高风电功率短期预测精度,提出一种基于卷积神经网络(convolution neural network,CNN)和长短期记忆(long short-term memory network,LSTM)网络模型的风电功率短期预测方法,利用CNN序列特征提取能力进行有效信息的提取,保留更长的有效记忆信息以解决梯度弥散问题,弥补了LSTM网络模型面对过长序列时出现不稳定与梯度消失现象的不足。用国内某风电场数据进行实验,预测结果表明文中提出的方法与反向传播神经网络和LSTM网络预测方法相比,具有更高的预测精度。     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

基于Adaptive Lasso与RF的航班运行风险预测改进研究

为了解决航班运行风险高维数组运算过于复杂的问题,同时为防止模型过度拟合影响预测精度,基于中国民航局发布的风险评估体系,以某航450组真实航班数据为标准样本,首先使用自适应套索算法（Adaptive Lasso）进行降维,从63项风险自变量中筛选出15项独立变量;然后,使用随机森林算法(Random Forest,RF)进行防过拟合处理,结果显示当使用重要度排序前12项变量拟合时,结果误差达到最小值,即得到最终预测指标;最后,构建Adaptive Lasso和RF的二阶段混合模型,同时选取主成分分析(Principal Component Analysis,PCA)、径向基函数(Radial Basis Function,RBF)网络、支持向量机(Support Vector Machine,SVM)3种对比方法,使用十折交叉验证精度.结果表明：Adaptive Lasso方法在筛选掉48项指标后,结果精度未见下降;经RF处理后4种方法评估精度均大于未处理前;Adaptive Lasso-RF混合模型的预测准确率和稳定性均优于PCA、RBF神经网络和SVM等方法.综上说明混合模型实现了有效降维和防过拟合,可大幅提升预测精度,用于解决航班风险预测问题可行并有效.     

基于AOA-LSSVM模型的枢纽城市物流需求量预测

传统的LSSVM难以全面反映物流需求的变化规律,会导致预测效果不佳。首先利用灰色关联分析(GRA)得到物流需求的主要影响因素;将主要影响因素作为LSSVM的输入变量,构建物流需求预测模型;通过阿基米德算法(AOA)对最小二乘支持向量机的正则化参数(γ)和核参数(σ)进行迭代寻优,以减少参数选择的盲目性;构建AOA算法优化最小二乘支持向量机(LSSVM)的智能预测模型AOA-LSSVM,经过验证该模型可以提高预测精度。运用AOA-LSSVM模型对西部陆海新通道的重要枢纽城市——重庆、成都、贵阳和南宁的物流需求进行实证分析,结果表明：该模型与LSSVM模型相比取得较高的预测精度,其均方根误差、平均绝对误差、以及异方差调整的均方根误差、异方差调整的平均绝对误差分别降低了1 946.4,1 206.1,0.028 4,0.039 7。     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.