最优组合预测模型在成都私家车数量预测中的应用

建立一个以预测误差平方和达到最小为准则的正权重组合预测模型.以成都私家车数量预测为例,分别采用灰色预测模型、指数模型、一次函数模型、二次函数模型、三次函数模型做单项预测.通过组合预测,得到更高精度的预测结果.以最优组合预测模型预测成都市在2009年的私家车数量,并与实际值进行比较,对比分析计算误差.同时也运用组合预测法对2010年成都私家车数量进行了预测.     

公路货运量变权组合预测模型研究

货运量预测是公路运输建设和规划的基础，单一预测方法很难准确有效地进行运量预测．探讨了变权组合模型在此类问题上的应用，以某省全社会公路货运量及经济发展状况为样本，对未来货运量进行了预测．该方法的变权重具有随时间变化的特点，能够反映出各种预测方法的变化情况，从而提高了模型的预测精度，实证分析预测结果更加客观、有效．     

基于神经网络的一种组合预测的构建与应用

以长春一汽集团的汽车生产总量为研究对象,分别构建了回归分析、灰色预测和神经网络三个预测模型,并在此基础之上,借助神经网络对三个模型进行了组合,构造了一种新的组合预测模型.通过对几种模型的分析比较,得出这种组合预测具有很高的预测精度.而且,预测表明组合模型比单一模型的预测更加稳健.     

基于ARMA和卡尔曼滤波的短时交通预测

交通预测是智能交通运输系统研究中的一个重要组成部分.为了有效地获取短时交通流量预测数据,保障交叉口畅通,依据道路情况的不确定性以及交通流的非线性变化,应用ARMA模型及卡尔曼滤波模型通过预测结果误差大小来组合预测路段短时交通流量.实例表明,组合模型预测结果达到较高的预测精度,预测误差降低到了5.79%,并且比单一模型预测精度要高.通过该组合模型可以更准确地预测短时交通流量,同时也可以为交叉口信号配时提供必要的理论依据和技术指导,对减小交通延误,提高道路服务水平有一定的应用价值.     

城市交通流量智能组合预测方法研究

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施，实时、准确的交通流量预测是智能交通系统实现的关键技术之一，也是实现智能交通诱导及控制的前提。文章对几种重要的交通流量预测模型的理论和优缺点进行了比较，分析了影响预测模型的因素，提出了一种智能组合预测方法。该方法利用遗传算法群体搜索的特点，组合各种算法，优化预测思路，充分发掘不同算法的差异优势，实践证明该思路是切实可行的。     

基于组合电力负荷预测模型的电力经济调度研究

根据武汉地区近10 a电力负荷使用情况对武汉供电公司电力负荷预测进行研究,以此为经济调度及负荷管理提供依据.选用基于GM(1,1)模型和一元线性回归法的组合负荷预测模型.对武汉地区每月最大负荷进行预测;算例证明组合预测模型有效提高了电力系统负荷预测能力,且证明了该组合电力预测模型对发电量预测同样具有可行性.     

基于Bayesian-LSSVM和残差修正的用户短期需水量预测

为有效改善供水管网短期需水量预测模型在预测精度和稳定性方面存在的不足,提出在短期需水量预测模型基础上叠加残差预测模型的组合预测建模方法.首先采用贝叶斯最小二乘支持向量机法(Bayesian-LSSVM)建立管网用户需水量时间序列预测模型(BL模型),得到需水量预测初始值;对BL模型得到的需水量预测初始值的残差序列,构建基于贝叶斯最小二乘支持向量机法的混沌时间序列预测模型(RM模型),得到残差预测值;同时将RM模型得到的残差预测值实时补偿到BL模型的需水量预测初始值中,得到经过残差修正的需水量预测值.实例结果表明,RM模型可以准确捕获BL模型需水量预测初始值的残差变化趋势,对其残差序列进行准确预测;在短期需水量预测的精度和稳定性方面,由BL模型和RM模型叠加构成的组合预测模型(BL+RM模型)明显优于单一BL模型;BL+RM模型适用于平均需水量较小、水量波动性较大等不同特点用户的短期需水量预测,可有效满足实际工程的需要.     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

基于组合模型的沥青路面车辙预测

为了对沥青路面车辙进行预测研究,结合陕西某高速公路沥青路面的车辙病害现状,以美国AASHTO新力学经验法中的Pavement-ME预测模型( PME模型)和灰色预测理论为基础,对PME预测模型的参数进行了本地化处理,提出了考虑数据时效的动态灰色预测模型DGM (1,1),并采用数理统计方法对车辙的发育趋势进行基于组合模型的预测研究.研究结果表明：PME模型和DGM灰色模型的拟合精度分别为0.963和0.941,可以作为组合模型的子模型;DGM-PME组合模型的预测精度要高于单一子模型的预测精度,其中采用误差平方和倒数法定权得到的组合模型的预测精度相对最高,其子模型权重分配为L12=0.601和L22=0.399,预测精度最高为0.0045;DGM-PME组合模型在个别时期的预测效果不如单一子模型,属于正常的误差现象;用DGM-PME组合模型来替代单一子模型进行沥青路面车辙的预测研究是可行的,本文所建立的组合模型适用于项目级沥青路面的车辙发育趋势预测.     

基于AR IMA与LOESS的安全生产事故时序预测研究

我国每年安全生产事故都造成大量的人员伤亡和经济损失,因此预防和减少安全生产事故的发生非常重要,利用ARIMA模型和LOESS回归模型组合预测能提高安全生产事故次数预测的精准度.首先建立ARIMA预测模型,用训练集中的预测偏差建立LOESS回归模型,综合两者的预测值,得到最终预测结果.采用2007年9月至2016年7月全国安全生产事故次数数据的实验结果表明:综合2种模型得到的组合预测方法的预测结果精度高于单种模型.     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

交通流诱导与控制协同优化模型的遗传算法求解

以路段和交叉口的加权拥挤程度最小为目标,建立诱导和控制的协同优化交通流分配模型,并提出基于遗传算法的求解。采用动态滚动式计算模型算法得出的均衡流量调整为诱导信息的发布提供定量依据,能够将诱导和控制协同起来均衡路网流量,避开拥挤。小路网试验结果表明:该模型算法实时、有效,便于实施。     

基于非线性理论的短期交通流预测研究

尝试用非线性理论对短期交通流进行分析和预测.建立了基于混沌动力学理论的短期交通流预测模型和方法,给出短期交通流预测的框架,用主分量分析法(PCA)对三种采样间隔(1 min5、min和15 min)的短期交通流数据进行分析,在判定短期交通流表现出混沌特性的基础上,用基于相空间重构理论的加权一阶局域预测法进行短期交通流预测.理论研究成果在上海延安高架路5 min采样间隔的交通流线圈检测数据中得到了验证,预测数据与实测数据吻合较好.     

城市交通微循环系统优化设计方法

为充分利用城市交通微循环道路资源以有效缓解路网交通拥挤,在分析交通微循环系统特征的基础上,设计了完整的城市交通微循环系统优化方法.以缓解区域路网交通拥挤为优化目标,依据交通流特征与交通需求定位城市主干道路网的拥挤路段,然后建立微循环绕行路线的搜索模型,能够确定需进行道路条件与交通组织优化的微循环路段,并生成静态交通标志与可变信息板的布设地点.以曲靖市中心城区交通微循环系统优化为实例,验证了所提出优化方法的有效性.     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于主成分分析和支持向量机的道路网短时交通流量预测

将主成分分析和支持向量机回归相结合,进行道路网多断面的短时交通流量预测研究。首先,整理分析路网中多个断面交通流量数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,转化为断面交通流量数据,从而预测道路网短时交通流量。采用城市快速路多断面数据进行实例分析,结果表明,该模型比单一断面预测方法的效果更好。     

改进的支持向量机算法在短时交通流预测中的应用

把交叉验证和网格搜索算法引入支持向量机预测算法,建立了改进的支持向量机预测模型,并将其应用于短时交通流预测进行实证分析。以某城市道路的实时数据来对模型进行验证,预测结果表明了该模型的有效性。     

交通流诱导与控制协同的双目标优化模型及准最优求解算法

提出了一种基于消散拥堵和系统总出行时间最小的双目标诱导控制协同优化模型,算法引入饱和度的概念,采用小步距微量调整信号配时、试算优化的方法,适当加载或卸载交通量,优化交叉口信号配时,使交通流在不断反馈与不断调整过程中达到最优。采用VISSIM建立模拟路网进行了协同算法试验,并对协同实施效果进行了评价,结果表明:在进行3次协同后拥堵基本消散,经过第4、5次协同能实现系统总行程时间尽可能小。     

基于出行计划数据的最优路径规划方法

现有基于交通流预测的路径规划方法大多使用历史或实时交通流数据,预测时效性有待提升. 针对上述问题,提出基于出行计划数据的路径规划方法（RPTP）. 该方法能主动捕捉出行者的未来交通需求,为车辆提供更合理的出行路线.基于出行计划的思想,设计基于出行计划数据的路径规划整体框架;构建基于出行计划路线数据的未来时段路网密度估计算法;采用空间堆叠的方式融合未来多时段路网密度,以此为依据改进D*Lite算法的启发函数. 采用SUMO平台仿真验证,与静态路径规划方法（SPP）和滚动路径规划方法（RPP）进行对比分析.结果显示,在相同环境下RPTP方法能提高车辆的通行效率,缓解路网拥堵,有效验证了RPTP方法的优越性.     

结合粒子群算法的小波神经网络交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的小波神经网络交叉路口短时交通流量预测方法,利用粒子群算法优化小波神经网络的模型参数,通过定义可变的加速因子,使粒子群算法有利收敛于全局最优解.将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点.实验仿真结果说明,该算法可以有效提高预测精度,减少预测误差,并且很好的反映了交通流的特点.