基于小波神经网络的短时交通流预测

针对现阶段城市道路交通短时交通流预测精度不高的局限性,将小波变换引入到城市道路交通预测过程中,提出一种基于小波神经网络的预测方法。运用美国加州高速公路通行能力度量系统数据作为数据来源,应用小波变换和BP神经网络相结合对其进行预测,然后对预测结果数据进行分析,并对短时交通流进行综合评价。实验表明,该方法与传统的BP神经网络相比较,在短时交通流预测方面具有较好的有效性和优越性。     

基于站点实时关联度的短时公交客流预测方法

为探究公交站点之间的关联度并对公交客流进行更精准的实时预测，本文提出基于 Attention的交通预测核心算法(Traffic Forecast Model Based Attention，TFMA)，结合数据预处理和 站点信息编码完成基于站点实时关联度的短时公交客流预测方法。该方法首先创新性地提出了 站点实时关联度，可实现对目标站点客流量更精准的预测；其次，在公交站点的编码信息中融入 线路站点信息、客流变化率、天气、日期等关联因素；接着，该方法依靠Attention机制计算站点实 时关联度；核心算法中使用multi-headed机制、增加通道和残差连接进一步提升预测能力；最后， 以苏州市公交数据进行验证。结果显示：在准确率上，对比多元线性回归的53.8%、GRU(Gated Recurrent Unit)的66.9%和LightGBM(Light Gradient Boosting Machine)的81.2%，本文提出的基于 站点实时关联度的短时公交客流预测方法的准确率在90%以上，表明该方法具备优秀的短时公 交客流预测能力。     

基于短时交通预测的公路交通异常判别方法

普通公路由于受到检测设施布设稀疏的制约,若沿用传统的交通事件自动识别方法,其判别率将低于高速公路或城市道路,而误判率也将高于高速公路或城市道路。为了便于公路管理者对普通公路发生交通异常时及时处理,以短时交通预测为基础,将交通异常的定义作为为判别标准,提出了1种新的交通异常判别方法,该方法能够排除由常发性交通拥挤和幽灵瓶颈现象引起的异常误判。试验表明,基于短时交通预测的公路异常判别方法精度误差在0.2以内,能够较好的实现对交通异常的判别。      

激磁涌流的高频信号及对应答器干扰分析

在列车自动过分相时,牵引变压器产生的激磁涌流通过母排、轮对和钢轨回流到变电所,而在这个过程中激磁涌流可能会对应答器上行链路信号产生干扰.激磁涌流对应答器上行链路干扰的途径是应答器接收天线的耦合,要清楚了解其干扰,必须了解激磁涌流4.23 MHz附近信号分量,因此对激磁涌流高频信号的分析是非常有必要的.本文用Matlab软件对激磁涌流进行了仿真得到其仿真数据.然后,用LabWindows/CVI软件进行仿真数据加载并且对激磁涌流进行短时傅里叶变换（STFT）,得到激磁涌流4.23 MHz附近信号分量.最后,用FEKO软件进行激磁涌流对应答器上行链路信号的干扰仿真.研究结果表明激磁涌流含有4.23 MHz附近信号分量较小,不会对应答器上行链路信号产生干扰.     

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。     

基于聚类分析的非参数回归短时交通流预测方法

大部分非参数回归预测算法并不对交通流历史数据进行区分,而是将全部历史流量数据建立模式库进行分析.基于交通流的现实特征,提出基于聚类分析的非参数回归短时交通流预测方法,首先根据流量分布特点运用聚类分析将其分类成不同的流量模式,然后选择匹配待预测时刻的流量模式作为样本数据库运用非参数回归进行预测.实例计算结果表明,其预测精度优于传统非参数回归方法.      

短时交通流量预测在最优路径选择中的应用

针对短时交通流量在部队选择最优开进路线时的影响,本文对影响路径诱导的短时交通流量预测算法进行研究,运用基于灰色理论和马尔可夫链的组合预测算法,对某市一条主干道的短时交通流量进行了预测.结果表明,组合预测算法具有更好的预测精度,相对误差为8.768%.能够满足部队选择最优开进路线的时限要求.     

基于车牌照数据的城市快速路行程时间短时预测方法研究

为了深入研究基于路段与基于路径两种不同的建模方法在城市快速路行程时间短时预测中的预测效果,以车牌识别系统采集的行程时间数据为研究对象,分别采用历史平均法、神经网络模型、支持向量机回归模型、非参数回归模型4种典型的预测算法,对快速路的行程时间进行预测。研究结果表明,考虑交通特征的支持向量机模型会显著提高基于路段的行程时间预测效果,同时基于路径的非参数回归建模方法优于基于路段的组合建模方法,更适合城市快速路行程时间预测。