排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
为了充分利用交通流的时空过程特性, 进行交通流的实时预测, 将过程神经元网络和数据流在线学习技术引入到短时交通流预测中。充分考虑交通流的日周期、周周期等内在特性, 结合过程神经元网络和小波变换, 实现对历史数据的多尺度过程特征处理。构建了路网整体预测过程神经元网络模型, 并采用主成分分析方法, 利用交通流空间相似性的影响对模型进行优化。基于Harr小波技术提出具有自适应和实时性预测特征的在线学习算法。试验结果表明: 该模型的预测准确性优于普通神经网络, 平均百分比相对误差降低6%~8%, 预测时间至少降低67%, 具有较高的性能, 能满足短时交通流实时预测的需求。 相似文献
2.
从高速公路车辆出入口数据中可以直接提取路网中车辆的OD信息,这些信息在一定程度上反映出车辆时空上的运行状态,更可以通过这类数据对高速公路出口流量的趋势做出合理有效地预测.本研究从真实数据出发,对交通路网中车辆OD的稳定性进行了分析,并以此为指导,将所得到的领域知识加入到常规的预测方法中,提出了一套基于OD稳定模式的高速公路出口流量预测方法.主要贡献包括：①提出了信息熵的概念,以刻画高速公路车辆OD的规律性;②提出了基于OD的稳定模式的出口流量预测方法;③在大量真实的数据上进行了实验分析. 相似文献
1