基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

基于马尔可夫链模型的交通拥挤状态预测

交通拥挤严重影响了道路交通的安全性和运行效率,如何对交通拥挤状态进行判别,并预测下一时刻交通状态的变化趋势,是提高交通管理水平的一个关键.利用马尔可夫链建立了交通状态预测模型,实例表明该模型对短期交通状态预测具有良好的适用性.     

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。     

浅埋黄土地区隧道健康监测之结构变形的时间序列预测模型

黄土地区修建的各类隧道,由于地质、环境、荷载等因素的影响而导致结构劣化。时间序列分析理论近年来得到迅速的发展,并被应用于工程技术的许多领域。本研究在此基础上结合观测的黄土地区隧道位移的测量数据,研究了简便准确且符合工程实际情况的隧道监测数据时间序列分析方法,建立了相应的时间序列ARMA模型,并对隧道截面的量测数据进行了时间序列分析,对黄土地区公路隧道位移变化量进行了预报。结果证明该方法具有简便性和合理性,可以用于隧道监测数据的分析和健康状况预测中,及时判断异常情况以便采取有利的预防和补救措施,避免可能发生的事故。     

基于二项logit的无水港选址影响因素分析及预测

采用二项logit模型求解无水港的选址问题。首先,识别影响无水港选址的关键性因素;其次,利用logit概率可得到某一城市被选做为无水港的可能性大小。同时,候选城市可根据二项logit权重为自己评估,扬长辟短,使得自身优于临近城市被选做为无水港的概率增大。     

基于时间序列方法的网络信号传输时延预测

针对铁路信号在传输过程中存在时延与丢包,导致整个系统的控制性能下降甚至不稳定的问题,提出一种新的延时预测算法,首先用时间序列方法建立网络时延的状态空间模型,然后通过Kalman滤波方法对时延进行在线估计,得到延时预测值.仿真实验结果表明,该方法对传输时延具有预测效果,保证了较好的实时性.     

最大熵原理在船舶波浪载荷理性预报中的应用

本文介绍最大熵原理及其在船舶波浪载荷理性预报中的应用,详细地叙述了船舶随机波浪弯矩概率密度函数的求取原理与方法,通过二个实际船舶的例子,给出了这二艘船舶随机波浪弯矩概率密度函数及其统计推断值,显现出波浪载荷的理性预报方法及其最大熵方法的良好应用前景.     

上海轨道交通陆家嘴站换乘特性与区域综合交通改善

在分析公共中心区的地铁枢纽站换乘特性基础上,综合考虑地铁枢纽站的场所特性,采用大量调查数据对上海人民广场地铁站和陆家嘴地铁站进行对比分析.并以小陆家嘴地区为例,探讨轨道交通和地面公交换乘方式的改变对区域发展的引导作用.小陆家嘴地区应弱化其交通枢纽的功能.     

����SVM�ij��п���·�г�ʱ��Ԥ���о�

随着城市快速路交通信息采集系统的发展,特别是视频车牌采集系统的应用,使实时动态获得快速路行程时间成为可能,同时也促进了高精度行程时间预测的理论研究和实际应用需求. 本文基于快速路车牌识别数据检测的海量历史时间序列数据,选择预测时段的前4个时段的数据作为输入特征值,以遗传算法建立模型参数优化算法,得到训练模型及其参数,从而实现车辆行程时间的动态预测. 最后以上海市快速路系统中的三个典型路段的实测数据进行实例分析. 结果表明：与传统的指数平滑法、多元回归法、ARIMA法预测结果对比,基于SVM的预测路段平均绝对百分误差在5%以内,希尔不等系数非常接近0,SVM模型显示了更高的预测精度.