基于非负权重组合模型的江苏省入境旅游客源预测

旅游客源需求预测是一个复杂的非线性系统,其发展变化具有增长性和波动性。本文根据1998年~2005年江苏省入境旅游客源数据特征,采用BP神经网络模型、GM(1,1)模型以及指数曲线模型分别进行预测,然后结合这三种预测方法的特点,提出非负权重组合预测模型,通过实例运算的对比分析,证明组合预测模型具有很高的准确性。预测结果表明:组合预测模型优于单一预测模型,江苏省入境旅游客源的非负权重组合预测模型是有效可行的。     

破损结构地震反应简化分析法的单自由度破损模型研究

MSP(Multi-step pushover method)法是一种弹塑性推覆方法,可以评估破损状态的建筑结构的地震反应。它以地震反应谱作为输入,根据结构的动力特性分配荷载,逐步推覆,得到破损结构的最大地震反应,简便实用。作者针对MSP法中破损模型的选择和改善问题进行了专门研究和探讨。通过与非线性时程法进行对比,首次提出适用于单自由度体系的破损模型。实例计算表明,本文提出的模型可用,分析误差小,有助于MSP法进一步完善。     

基于ETC数据和A-BiLSTM神经网络的高速公路节假日短时交通流预测模型

电子不停车收费（electronic toll collection,ETC）门架系统为节假日高速公路短时交通流预测提供了数据支撑。针对节假日场景下高速公路交通流的非线性和复杂性特征,基于ETC门架数据研究了由注意力机制（attention）和双向长短期记忆（bidirectional long/short-term memory,BiLSTM）神经网络组成的Attention-BiLSTM（A-BiLSTM）组合模型。通过对ETC门架数据进行预处理,保证模型输入的可靠性;采用滑动窗口方法构建监督学习样本,提高模型学习效率。在模型中,使用BiLSTM神经网络,实现对交通流数据前向和后向时间依赖性特征的深入提取;引入注意力机制动态地权衡网络提取信息的重要程度,增强隐藏层特征的非线性表达能力;利用贝叶斯优化方法对模型进行超参数调优,提高模型的预测性能。采集大理-丽江高速公路白汉场至拉市镇的门架数据,处理成时间粒度为5,10,15 min的交通流数据进行模型验证。实验结果表明：①相比于自回归移动平均模型、支持向量机的预测结果,A-BiLSTM组合模型的均方根误差（root mean square error,RMSE）分别降低了73.3%和49.1%,平均绝对误差（mean absolute error,MAE）分别降低了76.0%和56.3%,预测效果好,可应用于实际的交通运营管理。②相比于未引入注意力机制的BiLSTM,A-BiLSTM组合模型的RMSE降低了41.9%,MAE降低了46.0%。③A-BiLSTM组合模型在5 min的时间粒度下表现最好,与输入数据时间粒度为10,15 min情况下所构建的模型预测误差相比,RMSE分别降低34.5%和42.1%,MAE分别降低39.9%和46.3%。     

铁路旅客列车开行方案问题的探讨

市场经济条件下,如何合理优化旅客列车开行方案以满足不同旅客的需求成为一个关键问题。现从优化旅客列车开行方案出发,着重阐述了一种新的运量预测方法以及制订列车开行方案时应注意的一些原则。     

A framework for short-term traffic flow forecasting using the combination of wavelet transformation and artificial neural networks

The main objective of this paper is to develop a framework for short-term traffic flow forecasting models with high accuracy. Due to flow oscillations, the real-time information presented to the drivers through variable message signs, etc., may not be valid by the time the driver reaches the location. On the other hand, not all compartments of the flow signal are of same importance in determining its future state. A model is developed to predict the value of traffic flow in near future (next 5–35?minutes) based on the combination of wavelet transformation and artificial neural networks. This model is called the hybrid WT-ANN. Wavelet transformation is set to denoise the flow signal, i.e., filtering the unimportant fluctuations of the flow signal. Unimportant fluctuations are those that have little or no effect on the future condition of the signal. The neural network is set and trained to use previous data for predicting future flow. To implement the system, traffic data of US-101 were used from Next Generation Simulation (NGSIM). Results show that removing the noises has improved the accuracy of the prediction to a great extent. The model was used to predict the flow in three different locations on the same highway and a different highway in a different country. The model rendered highly reliable predictions. The proposed model predicts the flow of next 5?min on the same location with 2.5% Mean Absolute Percentage Error (MAPE) and of next 35?min with less than 12% MAPE. It predicts the flow on downstream locations for next 5?min with less than 8% MAPE and for the different highway with 2.3% MAPE.     

关于旅游公路规划的若干思考

旅游公路是开发旅游资源的主要基础设施,因此,做好旅游公路的规划,为相关管理部门提供科学的决策依据就显得尤为重要。     

Reintroducing attitude theory in travel behavior research: The validity of an interactive interview procedure to predict car use

A methodological challenge is to develop methods which satisfy the need in transport planning of accurately forecasting travel behavior. Drawing on a review of the current state of attitude theory, it is argued that successfully forecasting travel behavior relies on a distinction between planned, habitual, and impulsive travel. Empirical illustrations are provided in the form of stated-response data from two experiments investigating the validity of an interactive interview procedure to predict household car use for different types of trips, either before or after participants were required to reduce use.     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测。分别利用灰色GM(1,1)模型和BP神经网络对桩在荷载作用下的沉降进行估算,然后利用人工神经网络中的BP网络对所得的结果进行组合预测;最后利用Lagrange算法计算桩的极限承载力。计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。     

基于季节ARIMA模型的公路交通量预测

为了提高公路交通量季节性预测的精度,在介绍一般ARIMA模型的基础上,推导出一种具有周期的季节ARI—MA模型的一般表达式,以及使用这种模型进行建模和预报的一般过程。在实证分析中,先用傅立叶周期分析法检验时间序列的周期性并求出周期长度,然后用Eviews软件对时间序列作平稳性检验以及实现模型的识别、建立、选择与预测过程。与三个常用季节预测模型：分组回归模型、可变季节指数预测模型和季节周期回归模型相比,季节ARIMA模型的预测精度最高。研究结果对于更为科学准确地预测公路交通量具有一定意义。     

基于灰理论的成都市铁路旅客周转量预测

铁路旅客周转量是一个受多种因子制约的多层次的复杂关系量,将成都市2004—2008年铁路旅客周转量作为基础数据,运用灰理论所提出的灰系统模型预测法,建立GM（1,1）模型,预测2009--2011年的铁路旅客周转量。预测结果表明2009--2011年成都市铁路旅客周转量总体呈上升趋势。同时,GM（1,1）预测值经过检验,预测结果精度较高,说明预测方法的可靠性,预测结果对合理布局规划成都市铁路枢组具有重要的现实意义。