基于神经网络的公交车辆行程时间预测模型研究

城市公交丰辆行程时间预测是公共交通信息服务和运营调度的重要内容,要求较高的实时性和准确性。本文以智能交通运输系统为背景,通过分析公交车辆的行驶特性,基于改进的神经网络模型,建立了公交车辆动态行程时间预测模型,并对比了三种不同输入变量方案的神经网络预测模型,表明该模型具有良好的适用性。此外,将该方法与卡尔曼滤波法的行程时间预测模型进行比较,结果表明,基于神经网络的动态行程时间预测模型精确度较高。     

基于卡尔曼滤波算法的公交车辆行程时间预测

通过分析公交车辆的行驶特性,利用卡尔曼滤波算法建立行程时间预测模型,并用该模型预测未来时段的公交车辆路段行程时间.预测结果表明,该方法预测精度较高,可有效地改善公交车辆动态调度效果,提高交通资源利用率,因此该方法具有推广意义.     

RBF神经网络在公交行程时间预测中的应用

为提高公交行程时间预测结果准确度、减少预测过程花费时间,提出基于RBF神经网络公交行程时间预测模型。综合分析公交车辆行程时间动静态影响因素后,将网络变量输入模型对行程时间进行预测,以重庆市462公交线路为例,对模型进行验证,对比BP网络预测结果,表明RBF模型在速度和精确度上优于BP网络,具有一定实际应用价值。     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

基于多源数据融合的干线公交车辆行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度，在拟合公交车辆行程时间分布特征的基础上，提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合，其中混合高斯分布函数适用于单路段拟合，对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析，其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测，其中改进的SVM模型的平均绝对百分比误差为6.26%，优于ARIMA模型的11.69%，更适用于短距离交叉口间的公交车辆行程时间预测.     

基于前车数据的动态公交车辆到站时间预测模型研究

在以往研究成果基础上,基于采集获取的实时车辆定位信息,提出了一种基于前车的公交车辆到站时间动态预测模型。在建立路段行程时间计算模型时考虑了前车的平均瞬时速度,在计算站点区域停留时间时建立了基于前车的预测模型,提出了一种参数容易获取、便于实际计算的模型,用于预测公交车辆在信号控制交叉口的延误。用上海市58路公交车的GPS数据对预测模型进行了验证,结果表明预测模型具有较高的预测精度,能够较为准确地预测公交车辆到站时间。     

应用神经网络-时间序列预测路面平整度

以神经网络和时间序列分析方法为基础,采用零均值化、标准偏差预处理方法、规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模,利用BP网络对平整度非平稳时序进行趋势项提取,使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法,建立了适合平整度预测的神经网络时间序列分析联合模型,并以江苏省某高速公路的平整度数据为例进行了预测分析。研究结果表明：新模型的预测精度高、实时可靠,可应用于实际工程。     

乘客出发时间智能提示系统设计与实现

社会生活节奏的加快使中长距离出行次数显著增加,旅客因错记乘车(登机)信息和对乘坐城市公共交通到达火车站(机场)所需行程时间预留不足,而错过乘车(登机)时间的情况时有发生,为乘客造成不便的同时,也浪费了社会资源。本文提出的乘客出发时间智能提示系统应用历史GPS、GIS等数据,使用基于时间序列法的常规公交行程时间预测模型、基于图遍历算法的地铁行程时间预测模型,预测乘客乘坐公共交通的行程时间,通过向乘客发送短信的方式提示乘客票面信息与最晚出发时间。应用Microsoft Visual Basic 6.0作为开发语言,Access作为数据库,设计乘客出发时间智能提示系统。     

����SVM��Kalman�˲���BRT�г�ʱ��Ԥ��ģ���о�

本文提出了一个支持向量机进行初始行程时间预测并结合卡尔曼滤波算法进行动态调整的快速公交车行程时间综合预测模型.以快速公交车运行的GPS数据为基础,对北京市朝阳区快速公交2号线进行行程时间预测案例研究.利用该模型对其早高峰和上午平峰的两个不同时段的公交行程时间分别进行预测和对比分析,并通过与单一的卡尔曼滤波方法所得的预测结果进行比较.结果表明,该模型应用于快速公交行程时间预测具有更好的适用性,并且预测平峰时段的精度要高于高峰时段.     

基于列车运行安全的青藏铁路大风预测优化模型与算法

为减轻青藏铁路恶劣大风天气对列车行车安全的影响、对沿线风速进行准确地预测预报,运用时间序列法对格尔木-拉萨段16号测风站实测风速建立时序预测模型,并进行多步预测仿真计算.为提高时序预测模型精度,通过改进时间序列法建模流程,引进卡尔曼滤波智能算法,提出了2种适合于不同预测步长和精度的优化算法.预测实例表明:优化算法将时序模型的超前1步预测平均相对误差从4.89%降低为2.51%,超前5步预测平均相对误差从9.77%降低为5.62%,并明显改善了时序模型的预测延时现象.     

基于AVL数据的公交到站时间实时预测模型

公交车辆到站时间预测是公交信息服务、公交动态调度的关键参数。基于实时和历史的公交车辆自动定位数据(AVL)需求分析,将公交车辆到站时间划分为站点停靠时间、区段全程运行时间和区段部分运行时间,分别采用点估计法、BP神经网络法和自适应指数平滑法对其进行动态预测。最后结合实验线路公交车辆的AVL运行数据,对预测模型进行了验证和评价分析。研究结果表明:本预测模型由于将历史数据规律和实时交通状况进行了有效融合,从而提高了公交到站时间预测的鲁棒性和预测精度。     

基于混沌-小波神经网络的公交客流量预测模型研究

为提高公交客流量预测的精确度,将混沌理论和小波神经网络方法相结合应用于公交客流量预测。分别采用自相关法、伪最近邻域法计算公交客流量时间序列的时间延迟、嵌入维数,采用小数据量法计算其最大李雅普诺夫指数,证实该时间序列具有混沌特性。据此建立混沌-小波神经网络预测模型,进而对H省某市实际公交客流量进行预测。实验结果表明,相比于传统的BP神经网络预测法、LIBSVM预测法,该方法在均方误差(MSE)、平均绝对误差(MAE)、平均相对误差(MRE)上均具有更小的预测误差,因而可以有效地预测公交客流量。     

基于LightGBM算法的公交行程时间预测

在城市公交网络运行中,公交车的站点间行程时间会受到道路和环境条件的影响. 本文对公交车运行过程中的车辆速度特征、道路特征及天气特征等进行了分析.建立了基于特征的 LightGBM (Light Gradient Boosting Machine)公交行程时间预测模型,通过调整 LightGBM算法中的相关参数,以分配各个影响特征和因素的权重大小.然后利用天津市某条公交线路 24天的公交车 GPS数据对模型进行了训练和验证,并与基于历史平均值和卡尔曼滤波的行程时间预测模型进行对比.比较结果表明,LightGBM模型在 MAE (Mean Absolute Error)和 MAPE (Mean Absolute Percentage Error)这两个指标上均大幅度优于其他两个模型,说明 LightGBM模型在公交车行程时间预测上具有很好的稳定性和应用前景.     

谱分析法在路段行程时间预测中的应用

路段行程时间超前预报是动态交通诱导方案制定的基础,应用短时交通预测的方法可以获得将来某个时刻的路段行程时间数据,但已有研究成果,还存在适应性不强,计算量大,基础数据需求多等不足。应用谱分析及Karhunen-Loeve变换对随机序列的分解与重构功能,通过挖掘路段历史行程时间序列与当前检测行程时间序列的相似性特征进行序列重构,实现对后一时段路段行程时间的预测,结果显示,该方法具有良好的预测精度。     

基于贝叶斯网络组合模型的公交驻站时间预测

公交驻站时间是公交行程时间的主要组成部分,其预测精度直接影响智能公交系统中公交信息发布的准确性.为了提高公交驻站时间的预测精度,提出一种基于贝叶斯网络的组合预测模型,它由反向传播神经网络和径向基函数神经网络模型组成.首先利用两种神经网络模型预测公交驻站时间;然后利用改进后的等宽数据离散方法,将两种神经网络的预测结果和观测的驻站时间数据离散后用于贝叶斯网络学习;最后通过贝叶斯网络推理得到驻站时间组合预测结果.实例分析表明,贝叶斯网络组合模型驻站时间预测结果的误差指标均优于单一模型,证明其可有效提高单一模型的预测精度.     

基于近邻和SVM的公交停靠时间预测

为提高公交行程时间预测的准确性,提升公交系统的整体服务水平,提出了一种公交车站点停靠时间预测模型.在考虑上下车人数、在车人数和天气状况等因素对公交停靠时间的影响下,采用训练集样本预筛选操作,分析样本筛选过程中不同抽样率对预测效果的影响,比较基于不同核函数的支持向量机在预测精度上的差异.选取佛山市301路公交线中有代表性...     

城市快速路行程时间预测模型研究

根据快速路行程时间数据序列规律分析,选择移动平均参数预测模型、指数平滑参数预测模型与卡尔曼滤波预测模型进行比对.通过上海市快速路车牌识别设备采集的行程时间实测数据,对各种模型的效果进行评估,结果表明:卡尔曼滤波预测模型在不同数据特征案例情况下均取得比较理想的效果.     

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度,提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间,利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间;将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量,基于底层BPNN模型预测车辆在目标路段的行程时间,进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试,并与其他4 种模型进行比较. 结果表明,所提模型具有较高的预测精度,尤其在雨天,比传统BPNN模型预测精度提高57.25%.     

城市常规公交接驳方式分担率预测模型研究

为对城市常规公交接驳方式分担率进行准确预测,从不同方法组合预测角度入手对其展开研究。选取哈尔滨市3个常规公交站,开展居民接驳方式意向调查,获取出行者的性别、年龄、职业、收入、出行目的、出行距离及选用的接驳方式等数据。利用多项Logistics回归和Bayes判别分析两种方法,分别构建常规公交接驳方式分担率预测模型,并采用SPSS软件对模型进行标定。结果表明,两种模型均具备较好的拟合度,模型预测准确率分别为78.9%和75.8%。通过对预测结果进行对比,多项Logistics模型适用于步行和自行车分担率预测,而Bayes判别分析在常规公交分担率的预测上更为准确。     

道路交通事故多因素时间序列宏观预测模型

针对现有道路交通事故预测方法在实际应用中的不足，引入多因素时间序列法，建立了道路交通事故多因素时间序列宏观预测模型．该预测模型兼有单因素时间序列法和多元线性回归法两者的优点，通过单因素时间序列法可以方便、快捷地得出事故影响因素的预测值，而利用多元线性回归法可将各种事故影响因素综合起来，预测出道路交通事故总体发展趋势．实例计算证明，道路交通事故多因素时间序列宏观预测模型能很好地适用于道路交通事故预测，同时具备了所需数据资料较少、建模简单、计算快捷等优点．