基于K-means聚类组合模型的公交线路客流短时预测

预测公交线路短时客流是实现公交动态调度的关键技术.文中通过分析客流特性,构建了基于K-means聚类算法的组合预测模型.首先利用K-means算法将短时客流数据按照时变特征的相似度划分为不同聚类,然后为每类客流数据分别建立最小二乘支持向量机、BP神经网络、自回归滑动平均模型,并考虑天气因素的影响,用遗传算法优化模型参数,对比预测结果,从中选择每个聚类的最佳预测模型构成组合模型.最后以长沙市104路公交客流数据作为实例进行预测分析,结果显示:客流数据时变特征对模型具有选择性,K-means聚类组合模型能够更好地根据不同时段客流数据的时变特征进行分类,因而有利于提高预测绩效;考虑了天气因素的K-means聚类组合模型能进一步提高公交线路的短时预测绩效.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于深度学习的短时交通流量预测

针对交通流数据的时间相关性和非线性等特点,现有预测方法未能充分获取交通流的本质特征,提出了一种基于深度学习的短时交通流量预测方法。该方法结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)作为预测模型,利用长短时记忆神经网络模型进行获取特征,用获取的特征训练支持向量回归进行交通流量的预测,比较了与其它模型的预测效果,真实数据集的结果表明,该模型有较高的预测精度。     

集装箱码头集卡作业的路径选择

为合理使用集装箱码头的集卡资源,提高集装箱码头的装卸搬运作业效率,建立在作业面作业模式下,综合考虑岸桥作业时间、场桥作业时间的基于时间最短的集卡调度模型,并进行了数值仿真,旨在解决在不同船舶装船作业和卸船作业同时进行前提下集装箱码头集卡作业路径选择问题.结果表明,该模型很好地解决了集装箱码头集卡作业路径选择问题,提高了集装箱码头的作业效率.     

面向集装箱码头重载车辆排队系统的碳排放仿真研究

在我国,道路交通污染已成为大气环境污染的主要来源之一.相比于小型车辆,重载车辆的排放污染往往更加严重.以集装箱卡车为例,集卡车辆在港口、码头等处排队通过闸口的过程中会排放大量的HC、CO等污染物,这些排放的气体会严重加剧所在区域的大气污染.因此,在深入剖析集装箱码头闸口排队系统的基础上,构建M/G/S/∞/∞/FCFS排队系统模型,并结合我国集卡车辆排放标准,采用MOVES模型,对上海港集卡车辆排队过程中的碳排放进行仿真研究,解析连续速度变化下,CO_2、CO以及THC等碳排放污染的变化趋势与内在关联,研究成果可为低碳交通管理提供重要的决策依据.     

基于同贝同步装卸的岸桥与集卡联合调度优化模型

为解决岸桥同贝同步装卸时多环节作业协调问题,加速集装箱在码头内部的周转,研究基于岸桥同贝同步装卸作业的岸桥与集卡联合调度问题.以船舶装卸完工时间最短为目标,建立岸桥与集卡联合调度优化模型,优化岸桥与集卡的任务分配及作业序列.岸桥同贝同步装卸增加了集卡作业环节,不同于传统作业时多阶段混合流水车间问题,其模型更加复杂,求解更加困难.针对大规模问题,设计了启发式算法进行求解,并将求解结果与下界值进行对比分析.结果表明,该启发式算法能有效提高岸桥与集卡联合调度模型的求解速度,有助于提高岸桥同贝同步装卸作业效率,为码头实际作业提供依据.     

基于Prophet-LSTM-PSO组合模型的医院住院量预测研究

针对医院住院量预测问题,首先利用先知模型（Prophet）与长短期记忆循环神经网络（LSTM）预测方法对2015年1月到2019年12月上海市东方医院呼吸内科住院量的时序数据进行建模分析,然后利用粒子群算法（PSO）求出两种模型对应的组合系数,从而得到最终的Prophet-LSTM-PSO组合模型,并通过RMSE和MAE统计学指标将组合模型与单一模型进行对比,同时利用公开数据集进行对比实验。结果表明,Prophet-LSTM-PSO组合模型较Prophet、LSTM、移动平均自回归模型等（ARIMA）等单一模型有效地降低了医院住院量预测的偏离性,提高了预测精度。     

基于ACapsGRU的短时交通流预测研究

针对交通流预测中的时空相关性进行研究.首先,根据城市交通路网建立速度矩阵,将每个时刻的速度矩阵输入胶囊网络进行空间特征的提取;其次,利用注意力机制结合近期交通流数据生成注意力权重;最后,将带有注意力权重的数据输入到门控循环单元学习交通流的时间特征,进行组合模型的短时交通流预测.使用西安市的交通流数据进行验证,结果表明:...     

大型活动散场期间地铁车站短时进站客流预测

大型活动散场期间的地铁车站客流属于可预知的非常规客流,采用常规客流的统计预测方法难以准确预测其客流需求.基于深度学习,将历史客流规律、大型活动数据与实时自动售检票系统数据相结合,提出了一种适用于大型活动散场期间地铁车站的短时客流预测模型.首先对历史客流数据进行了拆分及降噪处理,并分析了活动客流特征.之后,基于深度学习框架构建多层结构的卷积神经网络,拟合活动客流特征与客流时空分布的映射关系,并选取Adam(adaptive moment estimation)算法优化训练过程,以适用于活动散场时客流集中进站的情况.最后,以北京地铁奥林匹克公园站为例,利用实测数据验证了模型的准确性.预测结果表明:建立的Adam-CNN(convolution neural network)模型相对于常用时间序列方法自回归滑动平均和传统神经网络SGD-CNN模型具有更高的精度,能够为大型活动的组织提供更为有力的支持.     

基于数据扩展的短时交通流量预测

多种机器学习和深度学习的模型和算法应用于短时交通流量预测,但是,大多数模型尤其是深度学习模型对训练样本的数量要求较高。为此,提出了一种基于数据扩展的短时交通流量预测方法,该方法基于自编码神经网络分别结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)构建预测模型,该模型利用自编码神经网络扩展的数据分别训练长短时记忆神经网络和支持向量回归进行交通流量的预测,结果表明,所提出的预测模型具有较高的精度和较好的泛化能力。