城市轨道交通常态与非常态短期客流预测方法研究

城市轨道交通客流特征除表现为常态的周期性、季节性及高峰性外,还会因节假日、体育赛事、城市大型活动、突发事件、特殊天气等因素表现出差异性和特殊性,本文对较为成熟的常态及研究较少的非常态客流预测方法进行了实验.首先利用通用的ARIMA时间序列预测算法分析样本历史数据实现常态日客流预测;其次针对客流特殊因素提出时间序列及回归分析的组合模型,同时引进虚拟变量和结合相似日样本数据进一步改进,实现非常态预测问题的高精度求解.仿真计算结果表明,本文方法对解决短期客流预测具有良好的适用度,尤其同样本同预测周期条件下的非常态组合改进模型和常用单一时间序列模型的对比,证明改进模型可以很好地应用在客流特征既包括随时间固有不变的性质又表现出特殊因素的研究中,具有较强的自适应性和更好的预测精度.     

基于ARIMA的交通流量短时预测

采用AKIMA方法进行交通流量趋势预测．建模是利用现场调查得到的非平稳时间序列进行数据处理、建模．并根据AIC准则进行模型定阶,最后通过实测数据进行验证,结果表明。该ARIMA模型能够获得较好的中短期预测精度,因而可用于动态交通信号控制。     

A stochastic analysis of highway capacity: Empirical evidence and implications

This paper presents a stochastic characterization of highway capacity and explores its implications on ramp metering control at the corridor level. The stochastic variation of highway capacity is captured through a Space–Time Autoregressive Integrated Moving Average (STARIMA) model. It is identified following a Seasonal STARIMA model (0, 0, 2₃) × (0, 1, 0)₂, which indicates that the capacities of adjacent locations are spatially–temporally correlated. Hourly capacity patterns further verify the stochastic nature of highway capacity. The goal of this paper is to study (1) how to take advantage of the extra information, such as capacity variation, and (2) what benefits can be gained from stochastic capacity modeling. The implication of stochastic capacity is investigated through a ramp metering case study. A mean–standard deviation formulation of capacity is proposed to achieve the trade-off between traffic operation efficiency and robustness. Following that, a modified stochastic capacity-constraint ZONE ramp metering scheme embedded cell transmission model algorithm is introduced. The numerical experiment suggests that considering capacity variation information would alleviate the spillback effect and improve throughput. Monte Carlo simulation further supports this argument. This study helps verify and characterize the stochastic nature of capacity, validates the benefits of using capacity variation information, and thus enhances the necessity of implementing stochastic capacity in traffic operation.     

应用ARIMA模式于车辆侦测器数据填补

交控系统是利用各项侦测器或纵坐标名称、单位来进行交通特性搜集的,近年来由于在有线与无线传输的技术上日渐成熟,许多的信息都可以快速的传回至交控中心。但是目前车辆侦测器设置的位置会影响数据收集的准确度,且感应线圈车辆侦测器面临着经常发生数据遗漏。数据产生缺漏对于交通管理决策缺乏效率,而且无法彰显出投资车辆侦测器之价值。为了避免车辆侦测器数据遗漏、断线或数据异常不能使用之情形出现,利用自回归移动平均模型(ARIMA)来填补车辆侦测器所遗失的数据,其MAPE值小于20%,故ARIMA模式較平均法更优秀,其係以历史资料来建构,故有相当优良的填补绩效。     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型。首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起来进行预测,最后将预测结果分别与单一模型进行对比。采用2005年至2018年全国铁路月度货运量进行预测分析,结果表明2种组合预测模型的预测精度均高于单一预测模型的预测精度,其中基于乘积季节模型与引入注意力机制的LSTM模型的组合预测模型精度最高,具有研究和实用价值。     

收费公路资产证券化定价及发行方法研究

从数据驱动视角出发，本文探讨收费公路资产支持证券的结构化定价方法。首先，构建反 映交通量风险特征的收费公路通行收入自回归积分滑动平均模型；其次，基于瀑布式偿付结构和 到期收益率Nelson-Siegel模型计算不同等级证券发债规模与息票利率；最后结合成渝高速和渝 蓉高速现实数据进行仿真分析。研究发现，高速公路成熟期的通行收入具有尖峰厚尾特征，成长 期的通行收入更兼具显著的波动聚集效应。数据驱动的定价模型能够刻画通行收入的风险特 征，合理估计优先级的证券融资比例，比只考虑利率风险的现金流折现法更具有优势；从发行方 式来看，合并发行的融资结构显著优于单独发行。管理启示是改变以单个高速公路项目为基础 的特许经营权融资，通过绩优绩差项目的合并发行优化融资结构。     

基于小波消噪的ARIMA与SVM组合交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量非线性和强干扰性的特征,首先应用小波分析方法,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;然后采用自回归求和滑动平均(ARIMA)和支持向量机(SVM)的结合预测模型对交通流进行了预测,最后用实测交通数据进行了验证分析,得到了两个结论:一是组合预测模型比单个预测模型的预测精度高;二是小波分析消噪后的组合预测模型比没有消噪的组合预测模型预测精度高.结果表明消噪后的组合预测模型具有较高的预测精度,可用于交通流的实时动态预测.     

ARIMA模型在HIS预测中的初步研究

时间序列预测分析在医院信息系统中具有广泛的应用前景,而ARIMA模型是挖掘时间序列模式的一个有效的方法.介绍利用ARIMA模型发现时间序列模式的方法,并应用于医院时序数据预测,为管理层提供决策依据,完善医院信息系统.     

基于ARIMA-RBF神经网络的沿海港口吞吐量预测研究

在沿海吞吐量预测中，影响因素多且复杂，传统的计量经济模型很难得到满意的结果。针对此特点，提出一种组合预测模型，先后用ARIM A模型和RBF神经网络模型探求港口吞吐量历史数据的线性和非线性变化规律，最后将两者预测结果组合。对福建省港口货物吞吐量预测作为实例进行验证，结果表明，相对单一预测模型，该方法的预测精确度更高。     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。